1. 配置Python虚拟环境
python -m venv qai_hub_models_env && source qai_hub_models_env/bin/activate
2. 从Qualcomm AI Hub Module中选择模块部署
module代码库:ai-hub-models/qai_hub_models/models at main · quic/ai-hub-models · GitHub
Qualcomm AI Hub Models是一组最先进的机器学习模型,针对性能进行了优化,可部署在Qualcomm平台设备上。您可以探索针对视觉、语音、文本和生成性AI应用程序的设备部署进行优化的模型。所有模块都在 GitHub 和 Hugging Face上提供开源。
这是一个 real-time selfie segmentation的简单示例,可以轻松导出并部署在设备上。首先,我们安装Qualcomm AI Hub Models python包。
pip3 install "qai-hub-models[ffnet_40s]"
运行基于PyTorch的本地CLI演示,使用一些示例输入在设备外验证模型。
python -m qai_hub_models.models.ffnet_40s.demo
在设备外验证后,您可以在几分钟内在托管的高通平台设备上运行此模型。
python -m qai_hub_models.models.ffnet_40s.export
上述脚本优化了设备上执行的模型,在云托管的高通平台设备上分析了模型,在设备上运行了模型,并比较了基于本地CPU的PyTorch运行和设备上运行的准确性。最后,您可以在设备上运行推理的完整演示。
还可以使用Qualcomm AI Hub做什么?
Qualcomm AI Hub可用于简化设备上部署的最常见工作流程。有关更多详细信息,请参阅
- Deploying PyTorch models with TensorFlow Lite
- Deploying PyTorch models with ONNX Runtime
- Deploying PyTorch models with Qualcomm® AI Engine Direct
- Deploying ONNX models to multiple runtimes
- Profiling models on-device
- Running inference on your data on-device
- Deploying AIMET quantized models to multiple runtimes