本文主要是介绍QNN：基于QNN+example重构之后的yolov8det部署，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
QNN是高通发布的神经网络推理引擎，是SNPE的升级版，其主要功能是：
完成从Pytorch/TensorFlow/Keras/Onnx等神经网络框架到高通计算平台的模型转换；
完成模型的低比特量化（int8），使其能够运行在高通神经网络芯片上；
提供测试工具（qnn-net-run），可以运行网络并保存输出；
提供测试工具（qnn-profile-viewer），可以进行FLOPS、参数量、每一层运行时间等分析；
Qualcomm® AI Engine Direct 架构采用模块化设计，可实现软件中的清晰分离 对于不同的硬件核心/加速器，例如 CPU、GPU 和 DSP，指定为 后端。了解有关 Qualcomm® 的更多信息AI Engine Direct后端此处。
针对不同硬件核心/加速器的 Qualcomm® AI Engine Direct 后端被编译为 与 SDK 一起打包的各个特定于核心的库。
跨 IP 核的统一 API
Qualcomm® 的主要亮点之一AI Engine Direct 是它提供了统一的 API 来委托操作 例如跨所有硬件加速器后端的图形创建和执行。这允许用户 将 Qualcomm® AI Engine Direct 视为硬件抽象 API，并将应用程序轻松移植到不同的内核。
正确的抽象级别
Qualcomm® AI Engine Direct API 旨在支持高效的执行模型 具有内部处理的图形优化等功能。 但与此同时，它遗漏了更广泛的功能，例如模型解析和 网络分区到更高级别的框架。
组合的灵活性
借助 Qualcomm® AI Engine Direct，用户可以在后端提供的功能之间进行适当的权衡 以及库大小和内存利用率方面的占用空间。这提供了以下能力： 构建 Qualcomm® AI Engine Direct 操作包，仅包含服务一组模型所需的操作 以用例为目标1。有了这个，用户可以创建灵活的应用程序 内存占用低，适合各种硬件产品。
可扩展的运营支持
Qualcomm® AI Engine Direct 还为客户集成自定义操作以无缝协作提供支持 内置操作。
提高执行性能
凭借优化的网络加载和异步执行支持 Qualcomm®AI Engine Direct 可提供高度 机器学习框架和应用程序加载和执行网络图的高效接口 他们想要的硬件加速器。。
我们主要将QNN重新封装一下完成合适与自己的代码结构与逻辑。因为本身的QNN demo看着太复杂了。
重构之后如下图所示：
输出结果：
这篇关于QNN：基于QNN+example重构之后的yolov8det部署的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
