上一篇博文“Qualcomm AI Hub介紹”。高通AI Hub為開發(fā)者提供了一個(gè)強(qiáng)大的平臺(tái)，以優(yōu)化、驗(yàn)證和部署在Android設(shè)備上的機(jī)器學(xué)習(xí)模型。這篇文章將介紹如何使用高通AI Hub進(jìn)行圖像分類的程式碼開發(fā)，并提供一個(gè)實(shí)際的例子來展示其在Android平臺(tái)上的應(yīng)用。

程式碼介紹

高通AI Hub支持多種機(jī)器學(xué)習(xí)框架，如TensorFlow Lite、Quancomm AI Engine Direct和ONNX Runtime，并能夠?qū)⒂?xùn)練好的模型轉(zhuǎn)換為優(yōu)化的on-device執(zhí)行格式。開發(fā)者可以通過AI Hub的模型庫，選擇適合自己應(yīng)用需求的模型，并進(jìn)行相應(yīng)的優(yōu)化。此外，AI Hub還提供了詳細(xì)的on-device性能分析工具，幫助開發(fā)者了解模型在實(shí)際設(shè)備上的運(yùn)行情況。

于官方提供的Github ai-hub-apps進(jìn)行下載，使用Android Studio開啟app/android，就可以看到ImageClassification、SemanticSegmentation及SuperResolution，本篇博文介紹ImageClassification程式碼的部分及執(zhí)行，使用Android Studio開啟專案畫面如下圖：

ImageProcessing.java：

里面有一個(gè)靜態(tài)方法 resizeAndPadMaintainAspectRatio，其功能是調(diào)整圖片大小，同時(shí)維持圖片的寬高比（Aspect Ratio）。如果圖片無法完全符合給定的輸出尺寸，則會(huì)加入填充區(qū)域（padding），使得最終輸出的圖片符合要求的寬度和高度。

TFLiteHelpers.java：

TensorFlow Lite (TFLite) 的輔助工具，用于為 TensorFlow Lite 模型建立解譯器（interpreter）和相應(yīng)的硬件加速委派（delegate），例如 GPU 或 NPU。主要功能是根據(jù)指定的硬件加速選項(xiàng)，自動(dòng)嘗試為 TFLite 模型分配不同的硬件委派來優(yōu)化推論性能。

CreateInterpreterAndDelegatesFromOptions

用于根據(jù)指定的優(yōu)先級(jí)順序，創(chuàng)建 TFLite 解譯器并分配硬件加速委派。它會(huì)根據(jù)委派的優(yōu)先順序來嘗試分配不同的委派類型，如 GPU 或 NPU，并在無法使用時(shí)降級(jí)至 CPU 運(yùn)算（例如使用 XNNPack 提供的 CPU 加速）。

CreateInterpreterFromDelegates

此函式實(shí)際上是根據(jù)之前創(chuàng)建的委派來生成解譯器。主要負(fù)責(zé)配置 TFLite 解譯器的參數(shù)，例如 CPU 線程數(shù)和是否使用 XNNPack 作為后備計(jì)算選項(xiàng)。若解譯器創(chuàng)建失敗，則會(huì)記錄失敗原因并返回 null。

CreateDelegate

此函式根據(jù)指定的委派類型（如 GPUv2 或 QNN_NPU）創(chuàng)建對(duì)應(yīng)的硬件委派。每一個(gè)委派都有對(duì)應(yīng)的函式進(jìn)行初始化，例如 CreateGPUv2Delegate 或 CreateQNN_NPUDelegate。

CreateGPUv2Delegate

這個(gè)函式負(fù)責(zé)創(chuàng)建和配置 GPUv2 委派，它會(huì)將 GPU 設(shè)定為最大性能模式，允許使用浮點(diǎn)精度 FP16 進(jìn)行計(jì)算，來提升 GPU 運(yùn)行效率。

CreateQNN_NPUDelegate

此函式負(fù)責(zé)為支持 Qualcomm NPU 的裝置創(chuàng)建 QNN 委派，根據(jù)裝置支持的硬件類型來選擇使用 DSP 或 HTP 來加速推論計(jì)算。

ImageClassification.java：

基于 TensorFlow Lite 的影像分類器，用來從給定的影像中推測(cè)出最有可能的物件類別。主要的功能包括模型的加載、預(yù)處理影像、推論以及后處理推論結(jié)果，并且能夠返回處理時(shí)間等性能資訊。

ImageClassification

功能：從指定的模型和標(biāo)簽路徑中創(chuàng)建影像分類器。

參數(shù)：

context：應(yīng)用程式的上下文。

modelPath：模型文件的路徑。

labelsPath：標(biāo)簽文件的路徑。

delegatePriorityOrder：指定計(jì)算單元優(yōu)先順序（例如 GPU、CPU 等）。

preprocess

功能：將輸入的影像預(yù)處理為模型可以接受的格式。

步驟：

檢查影像尺寸是否符合模型的輸入要求，必要時(shí)進(jìn)行縮放。

根據(jù)模型的數(shù)據(jù)類型（如 FLOAT32 或 UINT8）轉(zhuǎn)換影像數(shù)據(jù)。

postprocess

功能：將模型輸出的結(jié)果轉(zhuǎn)換為可讀取的標(biāo)簽（類別）。

步驟：

讀取模型的輸出。

根據(jù)預(yù)測(cè)值選出信心最高的幾個(gè)結(jié)果（TOP-K），并轉(zhuǎn)換為對(duì)應(yīng)的標(biāo)簽名稱。

predictClassesFromImage()

功能：對(duì)給定的影像進(jìn)行分類，返回最有可能的類別。

步驟：
進(jìn)行預(yù)處理（preprocess）。

使用解釋器進(jìn)行推論。

后處理輸出結(jié)果（postprocess）。

返回分類結(jié)果。

findTopKFloatIndices() 和 findTopKByteIndices()

功能：從模型輸出的數(shù)據(jù)中找出信心最高的 K 個(gè)結(jié)果，分別處理 float 和 byte 類型的輸出。

實(shí)現(xiàn)：使用優(yōu)先佇列（PriorityQueue）來追蹤最大值，并返回這些最大值對(duì)應(yīng)的索引。

MainActivity.java：

使用 TensorFlow Lite 來進(jìn)行影像分類。它主要負(fù)責(zé)初始化 UI 元件、管理影像選擇與處理、并進(jìn)行模型推論。如果執(zhí)行時(shí)發(fā)生圖像讀取錯(cuò)誤問題，需要在loadImageFromStringAsync函式做調(diào)整：

// try (InputStream inputImage = getAssets().open("images/" + imagePath))

try (InputStream inputImage = getAssets().open( imagePath))

模型及App執(zhí)行

TFLite模型：

模型部分可以依據(jù)AI Hub提供的Image Classification選項(xiàng)的TFLite模型，下載自己所需的模型，并放置于ImageClassification/src/main/assets檔案夾底下，修改Android Studio內(nèi)的 gradle.properties，修改：classification_tfLiteModelAsset=xxxxxxx.tflite

程式運(yùn)作：

高通AI Hub提供的Android程式碼，除了在高通提供相關(guān)芯片的開發(fā)板上執(zhí)行，也可以在擁有高通芯片的手機(jī)上執(zhí)行，實(shí)機(jī)測(cè)試是使用小米11手機(jī)。

執(zhí)行結(jié)果如下方Gif動(dòng)畫，App最下方Image透過下拉式選單選擇內(nèi)建的三張圖片或相簿圖片，選擇完成后上方會(huì)出現(xiàn)選擇的圖片，按下RUN MODEL按鈕即可開始推論，當(dāng)然也可以選擇CPU Only體驗(yàn)一下沒有硬件加速的推論時(shí)間，而All Hardware則會(huì)使用QNN_NPU + GPUv2 + XNNPack等硬件加速。

小結(jié)

本篇博文就到這里，通過高通AI Hub Android開發(fā)者可以更輕松地將先進(jìn)的AI模型集成到他們的應(yīng)用中。高通AI Hub的文檔和模型庫提供了豐富的資源，幫助開發(fā)者探索和實(shí)現(xiàn)AI領(lǐng)域的應(yīng)用。

參考

ai-hub-apps

AI Hub Image Classification

Q&A

問：如何獲取高通AI Hub Model的ImageClassification模型？

答：您可以訪問高通AI Hub的GitHub頁面或官方網(wǎng)站，這里提供了模型的開源代碼和安裝指南。

問：部署模型時(shí)需要注意哪些性能和精度問題？

答：在部署模型時(shí)，您需要考慮模型的延遲、記憶體使用等性能指標(biāo)，以及模型在特定設(shè)備上的精度。高通AI Hub提供了性能指標(biāo)和優(yōu)化指南，幫助您選擇最適合您需求的模型。

問：如果在部署過程中遇到問題，該如何解決？

答：如果在模型部署過程中遇到性能、精度或其他問題，您可以通過高通AI Hub的支持Slack 提交問題。此外，您也可以參考官方文檔中的疑難解答部分。

問：高通AI Hub Model可以在哪些設(shè)備上運(yùn)行？

答：高通AI Hub Model支持在多種設(shè)備上運(yùn)行，包括但不限于Snapdragon 845, Snapdragon 855/855+, Snapdragon 865/865+, Snapdragon 888/888+等多款芯片組的設(shè)備。

登錄大大通網(wǎng)站閱讀原文，提問/評(píng)論，獲取技術(shù)文檔等更多資訊！