wordpress修改网站名称,装修室内设计培训学校,网站更新提醒,阿里云手机网站建设多少钱目录
① 激活snpe环境
② 设置环境变量
③ 模型转换
④ run 首先#xff0c;默认SNPE工具已经下载并且Setup相关工作均已完成。同时#xff0c;拥有原始模型文件#xff0c;本文使用的模型文件为SNPE 框架示例的inception_v3_2016_08_28_frozen.pb文件。image_file_list…目录
① 激活snpe环境
② 设置环境变量
③ 模型转换
④ run 首先默认SNPE工具已经下载并且Setup相关工作均已完成。同时拥有原始模型文件本文使用的模型文件为SNPE 框架示例的inception_v3_2016_08_28_frozen.pb文件。image_file_list.txt文件的内容为raw图片数据的路径。 target_raw_list.txt文件的内容是raw图片数据在Android设备的实际路径。
① 激活snpe环境
conda activate snpe
② 设置环境变量
source ${SNPE_ROOT}/bin/envsetup.sh
这将设置/更新以下环境变量:
SNPE_ROOTPYTHONPATH PATH LD_LIBRARY_PATH
③ 模型转换
# snpe-tensorflow-to-dlc工具将TensorFlow模型转换为等效的Qualcomm® Neural Processing SDK DLC文件。
# 下面的命令将一个Inception v3 TensorFlow模型转换为Qualcomm®Neural Processing SDK DLC文件。
snpe-tensorflow-to-dlc --input_network $SNPE_ROOT/examples/Models/InceptionV3/tensorflow/inception_v3_2016_08_28_frozen.pb \--input_dim input 1,299,299,3 --out_node InceptionV3/Predictions/Reshape_1 \--output_path inception_v3.dlc
量化需要另一个步骤。snpe-dlc-quantize工具用于将模型量化为支持的定点格式之一。
# 例如下面的命令将把一个Inception v3 DLC文件转换成一个量化的Inception v3 DLC文件。snpe-dlc-quantize --input_dlc inception_v3.dlc --input_list image_file_list.txt--output_dlc inception_v3_quantized.dlc
④ run Run on Android Platform
设置SNPE_TARGET_ARCH
export SNPE_TARGET_ARCHaarch64-android
PUSH库和二进制文件
将Qualcomm®Neural Processing SDK库和snpe-net-run可执行文件推送到Android目标上的/data/local/tmp/snpeexample。“SNPE_TARGET_DSPARCH”设置为目标Android设备的DSP架构。
export SNPE_TARGET_ARCHaarch64-androidexport SNPE_TARGET_DSPARCHhexagon-v73
adb shell mkdir -p /data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/binadb shell mkdir -p /data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/libadb shell mkdir -p /data/local/tmp/snpeexample/dsp/lib
adb push $SNPE_ROOT/lib/$SNPE_TARGET_ARCH/*.so \/data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/libadb push $SNPE_ROOT/lib/$SNPE_TARGET_DSPARCH/unsigned/*.so \/data/local/tmp/snpeexample/dsp/libadb push $SNPE_ROOT/bin/$SNPE_TARGET_ARCH/snpe-net-run \/data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/bin
PUSH模型相关数据到Android
cd $SNPE_ROOT/examples/Models/InceptionV3
mkdir data/rawfiles cp data/cropped/*.raw data/rawfiles/
adb shell mkdir -p /data/local/tmp/inception_v3
adb push data/rawfiles /data/local/tmp/inception_v3/cropped
adb push data/target_raw_list.txt /data/local/tmp/inception_v3
adb push dlc/inception_v3_quantized.dlc /data/local/tmp/inception_v3
rm -rf data/rawfiles
RUN模型使用DSP Runtime
需要--use_dsp选项。
注意额外的环境变量ADSP_LIBRARY_PATH必须设置为使用DSP。
adb shellexport SNPE_TARGET_ARCHaarch64-androidexport LD_LIBRARY_PATH$LD_LIBRARY_PATH:/data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/libexport PATH$PATH:/data/local/tmp/snpeexample/$SNPE_TARGET_ARCH/binexport ADSP_LIBRARY_PATH/data/local/tmp/snpeexample/dsp/lib;/system/lib/rfsa/adsp;/system/vendor/lib/rfsa/adsp;/dspcd /data/local/tmp/inception_v3snpe-net-run --container inception_v3_quantized.dlc --input_list target_raw_list.txt --use_dspexit
在run完模型后将结果pull到本地host。
adb pull /data/local/tmp/inception_v3/output output_android_dsp 运行以下python脚本检查分类结果:
python3 scripts/show_inceptionv3_classifications_snpe.py -i data/target_raw_list.txt \-o output_android_dsp/ \-l data/imagenet_slim_labels.txt
输出应该如下所示显示所有图像的分类结果。
Classification results
cropped/notice_sign.raw 0.175781 459 brass
cropped/plastic_cup.raw 0.976562 648 measuring cup
cropped/chairs.raw 0.285156 832 studio couch
cropped/trash_bin.raw 0.773438 413 ashcan 至此本文分享的内容就结束啦。
