作為《探索QCS6490目標檢測AI應用開發》文章，緊接上一期，我們介紹如何在應用程序中介紹如何使用解碼后的視頻幀結合Yolov8n模型推理。 高通 Qualcomm? AI Engine Direct?是一套能夠針對高通AI應用加速的軟件SDK，更多的內容可以訪問：Qualcomm Documentation

AI Engine Direct也稱QNN，在本期文章的第一期中我們介紹了如何使用AI Engine Direct的工具鏈去轉換ONNX模型，我們接下來講介紹如何在應用中去推理轉換好的Yolov8n模型

1.前置條件

1.1 環境搭建

確報你已經完成了以下準備工作

• 按照《探索QCS6490目標檢測AI應用開發（一）：Yolov8n模型轉換及量化》中的指導，完成了Yolov8n模型的量化，得到序列化后的模型文件yolov8n_quant.bin
• 準備一塊QCS6490開發板
• AI Engine Direct開發包已安裝部署到QCS6490開發板

1.2?下載AI Engine Direct?Helper

AI Engine Direct提供了豐富的API接口，可以非常接近硬件底層高效利用資源。為了簡化模型推理過程，我們推薦使用AI Engine Direct Helper，它是在AI Engine Direct基礎上封裝的一個助手類，能夠以極少的代碼實現模型的推理。

下載 AI Engine Direct?Helper

GitHub - quic/ai-engine-direct-helper

在QCS6490開發板上進行相應的編譯工作，以生成可用的庫文件。

2. 模型推理

在集成模型推理之前，請確保已經閱讀并遵循了AI Engine Direct Helper User Guide中的環境設置指南。這包括設置必要的庫文件路徑、安裝Python及其擴展等。

利用AI Engine Direct?Helper ，只需要幾行代碼就可以完成模型的推理

https://github.com/quic/ai-engine-direct-helper/blob/main/Docs/User_Guide.md

#include "LibQNNHelper.hpp"int main() {// 初始化日志級別SetLogLevel(2);// 創建LibQNNHelper實例LibQNNHelper libQNNHelper;// 定義輸入輸出緩沖區std::vector<uint8_t*> inputBuffers;std::vector<uint8_t*> outputBuffers;std::vector<size_t> outputSize;// 模型初始化std::string model_name = "yolov8n";std::string model_path = "/path/to/yolov8n_quant.bin";std::string backend_lib_path = "/path/to/libQnnHtp.so";std::string system_lib_path = "/path/to/libQnnSystem.so";if (!libQNNHelper.ModelInitialize(model_name, model_path, backend_lib_path, system_lib_path)) {QNN_ERR("ModelInitialize failed\n");return -1;}// 填充輸入緩沖區// ... 此處應填充解碼后的視頻幀數據到inputBuffers ...// 執行模型推理if (!libQNNHelper.ModelInference(model_name, inputBuffers, outputBuffers, outputSize)) {QNN_ERR("ModelInference failed\n");// 清理資源libQNNHelper.ModelDestroy(model_name);return -1;}// 使用outputBuffers中的數據進行后處理，如繪制檢測框等// 釋放輸出緩沖區內存for (int j = 0; j < outputBuffers.size(); j++) {free(outputBuffers[j]);}outputBuffers.clear();outputSize.clear();// 銷毀模型并釋放資源libQNNHelper.ModelDestroy(model_name);return 0;
}

作者：Ricky Li