snpe1.55 安裝及使用-用于onnx转dlc

最新推荐文章于 2024-09-24 18:44:48 发布
最新推荐文章于 2024-09-24 18:44:48 发布
阅读量807 收藏 9
点赞数 7
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/yuweififi/article/details/136299965
版权

1.下载软件包

注册高通的邮箱不要使用qq邮箱，最好是使用公司邮箱

2.安装相关软件

 参考文章如下：

 上手SNPE-Benchmark DeeplabV3 - 知乎 

 边缘计算：万字长文详解高通SNPE inception_v3安卓端DSP推理加速实战_高通 snpe sdk 对应 dsp 版本-优快云博客

环境安装，参考 上手SNPE－推理inception_v3 - 知乎 

查看版本所需的python版本：snpe-1.55.0.2958/doc/html/setup.html 

3.实际安装软件

#安装总结
apt-get install libc++-9-dev
pip install onnx==1.7.0
pip install onnxruntime==1.8.1
pip3 install onnx-simplifier

which python 查看conda 环境中python的安装位置
  
snpe-onnx-to-dlc -i ../ocr_models/removed
最低0.47元/天 解锁文章
yuweififi
关注
Ubuntu18.04 配置SNPE并将ONNX模型转为DLC
筠筠喵呜喵的博客
08-13 1036
其中xxx.onnx为onnx文件所在位置。点击Get Software 直接下载。然后复制到ubuntu系统中并解压。已安装好Anaconda和。
关于在SNPE平台上进行ONNX模型转换DLC模型
三番鱼
05-21 8168
Onnx模型转化DLC模型 简介 在snpe平台上，将onnx模型转换为dlc模型 目录 snpe平台介绍 snpe平台与onnx配置 onnx模型转换dlc 模型量化 关于1.38版本SNPE部署时遇到的问题 snpe平台介绍 转至-snpe平台即可查看关于snpe平台 详细信息 snpe平台与onnx配置 注: 我本地的SNPE版本是snpe-1.38.0.qnx，以下的配置操作皆以此版本为基础。其他版本配置操作可能存在异同。 另外，ONNX文件的生成需要通过GPU生成。CPU生成的文件在SNPE平
snpe安装
Blue_Whale2020的博客
03-13 496
snpe安装
配置snpe-1.60.0_3313的使用环境--onnx转dlc
い天然呆的博客
03-25 2932
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
SNPE 的安装
qq_45505081的博客
12-07 459
说明文档在 {}/SNPE/2.15.0.230926/docs/SNPE/html/index.html 中。解压.qik 文件 , 执行命令解压/opt/qcom/qik3/bin/qik。windows版的直接下载安装就行了。找到对应的linux版本,安装QPM。
高通模型转换 Qnn /SNPE 安装
dubochao_xinxi的博客
01-10 3558
【代码】高通模型转换 Qnn /SNPE 安装。
1、SNPE的安装与部署
qq_44635240的博客
09-26 3496
SNPE的安装与部署教程
SNPE 的安装和简单使用
calvinpaean的博客
05-10 620
专为高通骁龙系列设计的 DNN 深度学习加速运行库，可以理解为一个在骁龙环境下可执行的机器学习后端，类比于 TensoRT 或 ONNX。
安装使用Qualcomm® Snapdragon™ Neural Processing Engine (NPE) SDK
尪錓chengx的博客
09-21 3221
本文介绍了如何开始使用Qualcomm®Snapdragon™神经处理引擎（NPE）SDK。 从干净的Ubuntu安装开始，本教程旨在为您提供安装依赖性的步骤，设置SDK工具，下载并准备一些示例神经网络模型，最后构建可用于解决方案的示例Android APP 使用人工智能（AI）。系统要求我们建议在专用机器上执行以下操作，以更好地了解SDK依赖关系： 1. 安装Ubuntu 14.04（推荐），例
【环境配置】Ubuntu18.04配置高通骁龙神经处理引擎（SNPE）
qq_42775328的博客
01-19 5009
Android studio开发——Ubuntu18.04配置高通骁龙神经处理引擎（SNPE）
snpe-1.50.0.zip
01-04
snpe-1.50.0.zip
深度学习容器：AWS深度学习容器（DLC）是一组Docker映像，用于在TensorFlow，TensorFlow 2，PyTorch和MXNet中训练和提供模型
01-29
AWS深度学习容器 AWS 是一组Docker映像，用于在TensorFlow，TensorFlow 2，PyTorch和MXNet中训练和提供模型。 深度学习容器使用TensorFlow和MXNet，Nvidia CUDA（用于GPU实例）和英特尔MKL（用于CPU实例）库提供优化的环境，可在Amazon Elastic Container Registry（Amazon ECR）中使用。 AWS DLC在Amazon SageMaker中用作您SageMaker作业（例如培训，推理，转换等）的默认工具。它们也已针对Amazon EC2，Amazon ECS和Amazon EKS服务上的机器学习工作负载进行了测试。 有关可用DLC图像的列表，请参阅。 您可以在找到有关Sagemaker中可用图像的更多信息。 执照 该项目已获得Apache-2.0许可证的许可。 根据发布了smdistributed.dataparallel和smdistributed.modelparallel 。 目录 入门 我们在此介绍在Amazon SageMaker，EC2，ECS和EKS平台上构建和测
SNPE安装+Qualcomm高通AI神经网络处理SDK部署流程
weixin_44056948的博客
07-29 7699
Qualcomm高通AI神经网络处理SDK部署流程 系统要求 我们建议在专用机器上执行以下操作，以更好地了解 SDK 依赖关系： 安装 Ubuntu 18.04 （推荐），例如在虚拟机上。 安装pyenv 执行以下命令进行自动安装 curl -L https://github.com/pyenv/pyenv-installer/raw/master/bin/pyenv-installer | bash 重启shell生效: exec $SHELL 查看~/.bashrc中是否有以下三行，若没有则手
SNPE/QNN 使用
weixin_42136255的博客
03-28 3520
SNPE/QNN 使用
SNPE教程二：环境搭建和算子支持
NOWAY的博客
10-27 721
3. 检验依赖：source snpe-X.Y.Z/bin/check_python_depends.sh。4. onnx相关环境初始化：source bin/envsetup.sh -o $ONNX_DIR。2. 安装依赖：source snpe-X.Y.Z/bin/dependencies.sh。5. pytorch相关环境初始化: source bin/envsetup.sh。1. 解压： unzip -X snpe-X.Y.Z.zip。系统：ubuntu 18.04。
snpe流程扫盲
Blue_Whale2020的博客
03-13 2048
高通snpe使用流程
高通AI应用程序开发3：网络模型(一)
weixin_62707802的博客
09-24 2269
非量化DLC文件使用网络参数的32位浮点表示。量化的DLC文件使用网络参数的定点表示，通常为8位权重【weight】和8或32位偏差【biase】。不动点表示与Tensorflow量化模型中使用的不动点表示相同。
骁龙神经处理引擎SDK参考指南（3）
weixin_38498942的博客
05-18 876
非量化 DLC 文件使用 32 位浮点表示网络参数。量化的 DLC 文件使用网络参数的定点表示，通常是 8 位权重和 8 或 32 位偏差。固定点表示与 Tensorflow 量化模型中使用的相同。snpe-caffe-to-dlc和 tools_snpe-caffe2-to-dlc的默认输出是非量化模型。这意味着所有网络参数都保留在原始 Caffe 模型中存在的 32 位浮点表示中。要将模型量化为 8 位定点，请参阅snpe-dlc-quantize。
边缘计算：万字长文详解高通SNPE inception_v3推理实战
qq_18256855的博客
03-04 2569
SNPE服务器环境部署、神经网络推理
snpe-onnx-to-dlc 转yolo 模型
最新发布
04-02
<think>好的，我现在需要帮助用户将YOLO模型从ONNX转换为DLC文件使用SNPE。首先，我得回忆一下用户提供的引用内容，看看有没有相关的步骤或问题需要注意。 根据引用1，转换过程主要有四个步骤，其中第一步是Model Convert，也就是将ONNX转换为DLC。用户提到他们用的是YOLOv5s.onnx的例子。所以，首先我需要确认用户是否已经有一个预训练的ONNX模型，比如YOLOv5或YOLOv8。 然后，用户提供的引用2提到了两个问题：一个是输入名称必须是'inputx'而不是默认的'images'，另一个是在转换时遇到Concat层的错误。用户可能需要修改导出ONNX时的输入名称，或者在模型结构上进行调整，比如在Mul算子后加Reshape层。 接下来，我需要整理转换的基本步骤。根据引用1和3，SNPE支持ONNX转换，需要使用snpe-onnx-to-dlc工具。用户需要先安装SNPE工具包，并配置好环境变量。然后，运行转换命令，指定输入ONNX文件和输出DLC文件。 需要注意的是输入名称的问题。比如，YOLOv8默认使用'images'作为输入，但转换时需要改为'inputx'。用户可能需要修改导出ONNX的代码，比如在YOLOv8的exporter.py中更改输入节点的名称。此外，转换过程中如果遇到Concat层的错误，如引用2所述，可能需要修改模型结构，添加Reshape层来解决。 另外，用户可能需要量化模型，以便在DSP上运行，但这一步是可选的。量化需要使用snpe-dlc-quantize工具，但当前问题可能主要在转换阶段。 总结步骤：安装SNPE→修改ONNX输入名称→处理可能的层错误→运行转换命令→验证DLC。同时，要提醒用户注意版本兼容性，比如snpe1.59.0.3230的问题，可能需要特定处理。 最后，用户可能还需要预处理和后处理的适配，如引用1提到的YOLOv5s的预处理和后处理步骤，但问题主要关注转换过程。因此，回答应分步骤说明，并指出可能遇到的问题及解决方法，引用相关的引用内容。</think>### 分步说明：使用SNPE将ONNX格式的YOLO模型转换为DLC文件 #### 1. **环境准备** - 确保已安装SNPE SDK并配置环境变量，例如设置`SNPE_ROOT`指向SDK路径[^3]。 - 验证SNPE支持的ONNX版本与当前YOLO模型兼容性（建议使用SNPE 1.59+）。 #### 2. **修改ONNX输入名称** - **问题**：YOLOv8默认输入名称为`images`，而SNPE转换可能要求输入名称为`inputx`[^2]。 - **解决方法**： - 在导出ONNX模型时，修改输入节点名称。例如对于YOLOv8，需修改`exporter.py`中的输入名称定义。 - 使用ONNX工具包手动修改输入名称： ```bash python -m onnxruntime.tools.onnx_model_utils --input yolov8.onnx --output yolov8_modified.onnx --rename_inputs 'images:inputx' ``` #### 3. **处理模型结构兼容性** - **问题**：某些算子组合（如`Concat`的输入为`Mul`和`Sigmoid`）可能导致转换失败[^2]。 - **解决方法**： - 在`Mul`算子后插入`Reshape`层以隔离冲突结构。 - 使用ONNX编辑工具（如`onnx-modifier`）手动调整模型结构。 #### 4. **执行ONNX到DLC转换** - 使用SNPE提供的转换工具`snpe-onnx-to-dlc`： ```bash snpe-onnx-to-dlc --input yolov8_modified.onnx --output yolov8.dlc ``` - **参数说明**： - `--input`：修改后的ONNX模型路径。 - `--output`：生成的DLC文件路径。 #### 5. **验证DLC文件** - 使用`snpe-dlc-info`检查DLC结构： ```bash snpe-dlc-info -i yolov8.dlc ``` - 确认输入/输出层名称与预期一致（如输入`inputx`，输出`output0`等）。 #### 6. **可选：模型量化** - 若需在Hexagon DSP上运行，需执行量化： ```bash snpe-dlc-quantize --input_dlc yolov8.dlc --input_list raw_data.txt --output_dlc yolov8_quantized.dlc ``` - `raw_data.txt`需包含校准数据的文件路径列表。 --- ### 常见问题与解决方法 1. **转换时报错`Unsupported operator: XYZ`** - **原因**：SNPE未支持ONNX中的某些算子。 - **解决**：通过修改模型结构替换为等效算子，或升级SNPE版本。 2. **量化阶段报错`Invalid graph structure`** - **原因**：模型存在未处理的冲突结构（如引用2中的`Concat`问题）。 - **解决**：返回步骤3调整模型结构后重新转换。 3. **推理时输入尺寸不匹配** - **原因**：DLC输入尺寸与预处理代码定义不一致。 - **解决**：使用`snpe-dlc-info`确认输入尺寸，并适配预处理逻辑。 --- ### 相关工具与引用 - **SNPE官方文档**：参考[SDK Reference Guide](https://developer.qualcomm.com/sites/default/files/docs/snpe/)了解详细参数[^1]。 - **ONNX工具链**：建议使用`onnxruntime`或`onnx-simplifier`优化模型兼容性。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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