配置snpe-1.60.0_3313的使用环境--onnx转dlc

21 篇文章 0 订阅
13 篇文章 1 订阅

1、snpe下载
访问 Qualcomm 网站:(注册、登录 Qualcomm 账号)

https://developer.qualcomm.com/software/qualcomm-neural-processing-sdk

在 ‘Neural Processing SDK for AI -> Tools & Resources’ ⻚面,选择 Qualcomm Neural Processing SDK 下载到本地,并解压文件。

2、snpe安装与配置
将压缩包解压到home目录下,重命名为snpe,在文件夹的bin目录下执行以下脚本,检查依赖:

source dependencies.sh
source check_python_depends.sh

建立一个requirements.txt,写入:

sphinx
scipy
matplotlib
scikit-image
protobuf
pyyaml
mako
onnx

执行:

pip install -r requirements.txt
source envsetup.sh -o +你安装的onnx包的路径

配置snpe环境变量,这里aarch64-ubuntu-gcc7.5为arm架构的,如果是x86的,改成对于x86的文件夹目录即可。
以下为arm的:

export LD_LIBRARY_PATH="/home/用户名/snpe/lib/aarch64-ubuntu-gcc7.5:$LD_LIBRARY_PATH"
export SNPE_ROOT=/home/用户名/snpe
export PATH="/home/用户名/snpe/lib/aarch64-ubuntu-gcc7.5:$PATH"
export PYTHONPATH=$PYTHONPATH:/home/用户名/snpe/lib/python

以下为x86的:

export LD_LIBRARY_PATH="/home/用户名/snpe/lib/x86_64-linux-clang:$LD_LIBRARY_PATH"
export SNPE_ROOT=/home/用户名/snpe
export PATH="/home/用户名/snpe/bin/x86_64-linux-clang:$PATH"
export PYTHONPATH=$PYTHONPATH:/home/用户名/snpe/lib/python
  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
根据提供的引用内容,SNPE是指Snapdragon Neural Processing Engine,是高通公司推出的一款深度学习推理引擎。而yolov5是一种目标检测算法,它可以用于检测图像或视频中的物体。下面是将yolov5模型换为SNPE Enabled App的步骤: 1. 首先,需要将yolov5模型换为SNPE所需的DLC文件。可以使用SNPE提供的Model Convert工具来完成此操作。具体步骤如下: ```shell snpe-tensorflow-to-dlc --input_network yolov5s.onnx --output_network yolov5s.dlc --allow_unconsumed_nodes ``` 这里假设yolov5模型已经换为了ONNX格式。 2. 如果需要在Hexagon DSP上运行模型,则可以使用SNPE提供的ModelQuantize工具来量化模型。具体步骤如下: ```shell snpe-dlc-quantize --input_network yolov5s.dlc --output_network yolov5s_quantized.dlc --input_dims input:1,3,640,640 --calib_iter 50 ``` 这里假设输入张量的名称为input,大小为1x3x640x640,量化迭代次数为50。 3. 接下来,可以使用SNPE Task API来加载模型并完成推理。具体步骤如下: ```c++ // 加载模型 std::unique_ptr<zdl::DlSystem::ITensor> input = zdl::SNPE::SNPEFactory::getInput(mSNPE, "input"); std::unique_ptr<zdl::DlSystem::ITensor> output = zdl::SNPE::SNPEFactory::getOutput(mSNPE, "output"); // 处理输入 // ... // 完成推理 mSNPE->execute(inputTensors, outputTensors); // 处理输出 // ... ``` 这里假设输入张量的名称为input,输出张量的名称为output。 4. 最后,可以使用YOLOv5s来进行预处理和后处理。具体步骤如下: ```python # 预处理 img = cv2.imread('image.jpg') img = cv2.resize(img, (640, 640)) img = img.transpose((2, 0, 1)) img = np.expand_dims(img, axis=0) # 推理 output = snpe.infer({'input': img}) # 后处理 # ... ``` 这里假设输入张量的名称为input,大小为1x3x640x640。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

lindsayshuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值