使用 AI Hub 优化模型

​

设置您的环境

1. 设置您的 Python 环境。在主机上安装 miniconda。 为 AI Hub 设置 Python 虚拟环境:
   conda activate
   
   conda create python=3.10 -n qai_hub 
   
   conda activate qai_hub
   
2. 安装 git。
   sudo apt-get install git
   
3. 安装 AI Hub Python 客户端。
   pip3 install qai-hub
   
   pip3 install "qai-hub[torch]"
   
4. 登录 AI Hub。 访问 AI Hub,使用您的 Qualcomm ID 登录,以查看您创建的作业信息。 登录后,前往 Account > Settings > API Token 获取用于配置客户端的 API token。
5. 在终端中使用以下命令, 通过您的 API token 配置客户端。
   qai-hub configure --api_token <INSERT_API_TOKEN>
   

​

选择 AI Hub 工作流

​

试用预优化模型

1. 前往 AI Hub Model Zoo,获取适用于 Qualcomm 评估套件的预优化模型。
2. 在左侧窗格中选择匹配的芯片组,筛选适用于您 EVK 的模型。例如, 为 Qualcomm Dragonwing™ RB3 Gen 2 选择 Qualcomm QCS6490,或为 Qualcomm Dragonwing™ IQ-8275 EVK 选择 Qualcomm QCS8300。
3. 从筛选结果中选择一个模型,进入该模型页面。
4. 在模型页面上,选择运行时和精度。
5. 选择 Download 下载模型。下载的模型已经过预优化,可以直接部署。有关更多信息,请参阅运行推理。

​

自带模型

1. 选择 PyTorch 或 ONNX 格式的预训练模型。
2. 使用 Python API 向 AI Hub 提交模型进行编译或优化。 提交编译作业时,为您的 EVK 选择设备或芯片组以及目标运行时。对于 Qualcomm Dragonwing™ RB3 Gen 2,支持 LiteRT 运行时。

   芯片组	运行时	CPU	GPU	HTP
   Qualcomm Dragonwing™ RB3 Gen 2	LiteRT	INT8,FP16, FP32	FP16,FP32	INT8,INT16

   提交后,AI Hub 会为该作业生成唯一 ID。您可以使用 此作业 ID 查看作业详情。
3. AI Hub 根据您选择的设备和运行时优化模型。
   • 您还可以选择提交一个作业,在从设备农场调配的真实设备上 对优化后的模型进行性能分析或运行推理 (使用 Python API)。
     • 性能分析: 在调配的设备上对模型进行基准测试,并 提供统计信息,包括层级别的平均推理时间、 运行时配置等。
     • 推理: 在调配的设备上运行模型,使用优化后的模型 对作为推理作业一部分提交的数据 执行推理。
4. 每个提交的作业都可以在 AI Hub 门户中查看。完成的编译作业会提供优化后模型的下载链接,随后可将其部署到本地开发设备,例如 Qualcomm Dragonwing™ RB3 Gen 2。

import qai_hub as hub
import torch
from torchvision.models import mobilenet_v2
import numpy as np

# Using pre-trained MobileNet
torch_model = mobilenet_v2(pretrained=True)
torch_model.eval()

# Trace model (for on-device deployment)
input_shape = (1, 3, 224, 224)
example_input = torch.rand(input_shape)
traced_torch_model = torch.jit.trace(torch_model, example_input)

# Compile and optimize the model for a specific device
compile_job = hub.submit_compile_job(
    model=traced_torch_model,
    device=hub.Device("Dragonwing RB3 Gen 2 Vision Kit"),
    input_specs=dict(image=input_shape),
    #compile_options="--target_runtime tflite",
)

# Profiling Job
profile_job = hub.submit_profile_job(
    model=compile_job.get_target_model(),
    device=hub.Device("Dragonwing RB3 Gen 2 Vision Kit"),
)

sample = np.random.random((1, 3, 224, 224)).astype(np.float32)

# Inference Job
inference_job = hub.submit_inference_job(
    model=compile_job.get_target_model(),
    device=hub.Device("Dragonwing RB3 Gen 2 Vision Kit"),
    inputs=dict(image=[sample]),
)

# Download model
compile_job.download_target_model(filename="/tmp/mobilenetv2.tflite")

conda deactivate