高通AI Hub：轻松实现Android图像分类-电子发烧友网

上一篇博文“Qualcomm AI Hub介绍”。高通AI Hub为开发者提供了一个强大的平台，以优化、验证和部署在Android设备上的机器学习模型。这篇文章将介绍如何使用高通AI Hub进行图像分类的程式码开发，并提供一个实际的例子来展示其在Android平台上的应用。

程式码介绍

高通AI Hub支持多种机器学习框架，如TensorFlow Lite、Quancomm AI Engine Direct和ONNX Runtime，并能够将训练好的模型转换为优化的on-device执行格式。开发者可以通过AI Hub的模型库，选择适合自己应用需求的模型，并进行相应的优化。此外，AI Hub还提供了详细的on-device性能分析工具，帮助开发者了解模型在实际设备上的运行情况。

于官方提供的Github ai-hub-apps进行下载，使用Android Studio开启app/android，就可以看到ImageClassification、SemanticSegmentation及SuperResolution，本篇博文介绍ImageClassification程式码的部分及执行，使用Android Studio开启专案画面如下图：

ImageProcessing.java：

里面有一个静态方法 resizeAndPadMaintainAspectRatio，其功能是调整图片大小，同时维持图片的宽高比（Aspect Ratio）。如果图片无法完全符合给定的输出尺寸，则会加入填充区域（padding），使得最终输出的图片符合要求的宽度和高度。

TFLiteHelpers.java：

TensorFlow Lite (TFLite) 的辅助工具，用于为 TensorFlow Lite 模型建立解译器（interpreter）和相应的硬件加速委派（delegate），例如 GPU 或 NPU。主要功能是根据指定的硬件加速选项，自动尝试为 TFLite 模型分配不同的硬件委派来优化推论性能。

CreateInterpreterAndDelegatesFromOptions

用于根据指定的优先级顺序，创建 TFLite 解译器并分配硬件加速委派。它会根据委派的优先顺序来尝试分配不同的委派类型，如 GPU 或 NPU，并在无法使用时降级至 CPU 运算（例如使用 XNNPack 提供的 CPU 加速）。

CreateInterpreterF romDelegates

此函式实际上是根据之前创建的委派来生成解译器。主要负责配置 TFLite 解译器的参数，例如 CPU 线程数和是否使用 XNNPack 作为后备计算选项。若解译器创建失败，则会记录失败原因并返回 null。

CreateDelegate

此函式根据指定的委派类型（如 GPUv2 或 QNN_NPU）创建对应的硬件委派。每一个委派都有对应的函式进行初始化，例如 CreateGPUv2Delegate 或 CreateQNN_NPUDelegate。

CreateGPUv2Delegate

这个函式负责创建和配置 GPUv2 委派，它会将 GPU 设定为最大性能模式，允许使用浮点精度 FP16 进行计算，来提升 GPU 运行效率。

CreateQNN_NPUDelegate

此函式负责为支持 Qualcomm NPU 的装置创建 QNN 委派，根据装置支持的硬件类型来选择使用 DSP 或 HTP 来加速推论计算。

ImageClassification.java：

基于 TensorFlow Lite 的影像分类器，用来从给定的影像中推测出最有可能的物件类别。主要的功能包括模型的加载、预处理影像、推论以及后处理推论结果，并且能够返回处理时间等性能资讯。

ImageClassification

功能：从指定的模型和标签路径中创建影像分类器。

参数：

context：应用程式的上下文。

modelPath：模型文件的路径。

labelsPath：标签文件的路径。

delegatePriorityOrder：指定计算单元优先顺序（例如 GPU、CPU 等）。

preprocess

功能：将输入的影像预处理为模型可以接受的格式。

步骤：

检查影像尺寸是否符合模型的输入要求，必要时进行缩放。

根据模型的数据类型（如 FLOAT32 或 UINT8）转换影像数据。

postprocess

功能：将模型输出的结果转换为可读取的标签（类别）。

步骤：

读取模型的输出。

根据预测值选出信心最高的几个结果（TOP-K），并转换为对应的标签名称。

predictClassesFromImage()

功能：对给定的影像进行分类，返回最有可能的类别。

步骤：
进行预处理（preprocess）。

使用解释器进行推论。

后处理输出结果（postprocess）。

返回分类结果。

findTopKFloatIndices() 和 findTopKByteIndices()

功能：从模型输出的数据中找出信心最高的 K 个结果，分别处理 float 和 byte 类型的输出。

实现：使用优先伫列（PriorityQueue）来追踪最大值，并返回这些最大值对应的索引。

MainActivity.java：

使用 TensorFlow Lite 来进行影像分类。它主要负责初始化 UI 元件、管理影像选择与处理、并进行模型推论。如果执行时发生图像读取错误问题，需要在loadImageFromStringAsync函式做调整：

// try (InputStream inputImage = getAssets().open("images/" + imagePath))

try (InputStream inputImage = getAssets().open( imagePath))

模型及App执行

TFLite模型：

模型部分可以依据AI Hub提供的Image Classification选项的TFLite模型，下载自己所需的模型，并放置于ImageClassification/src/main/assets档案夹底下，修改Android Studio内的 gradle.properties，修改：classification_tfLiteModelAsset=xxxxxxx.tflite

程式运作：

高通AI Hub提供的Android程式码，除了在高通提供相关芯片的开发板上执行，也可以在拥有高通芯片的手机上执行，实机测试是使用小米11手机。

执行结果如下方Gif动画，App最下方Image透过下拉式选单选择内建的三张图片或相簿图片，选择完成后上方会出现选择的图片，按下RUN MODEL按钮即可开始推论，当然也可以选择CPU Only体验一下没有硬件加速的推论时间，而All Hardware则会使用QNN_NPU + GPUv2 + XNNPack等硬件加速。