QAI AppBuilder - 用AI开发端侧AI应用(3): 从模型转换到猜拳游戏实战

csdnsqst0050 2026-09-18 16:11:26
加精

本文是 QAI AppBuilder 3.0 系列文章的第三篇,也是本系列的最后一篇。前两篇分别介绍了 QAI AppBuilder 3.0 在 Windows/Linux 平台上的环境准备、安装配置、示例运行,以及如何在板端使用 Model Builder 完成模型转换与部署前验证;本文将在此基础上继续向前推进,重点展示如何把“转换好的模型”真正集成到一个可运行、可交互的端侧 AI 应用中。我们将以 YOLO v10 手势识别模型为例,演示如何通过自然语言驱动 Model Builder 完成模型下载、ONNX 导出、QNN/Context Binary 转换与精度验证,再切换到 Coding 工作流,基于 QAI AppBuilder 推理引擎搭建一个“猜拳游戏”应用。开发者只需描述目标模型、转换要求、运行平台和应用逻辑,就可以把模型转换、量化优化、推理验证、摄像头输入、结果解析和 Web UI 集成串联成完整流程,从而显著降低端侧 AI 应用从模型适配到原型开发的门槛。

💡 了解详情,点击阅读→https://blog.csdn.net/csdnsqst0050/article/details/165487541

 

QAI AppBuilder 相关内容:

  1. QAI AppBuilder:https://github.com/qualcomm/qai-appbuilder
  2. QAI AppBuilder 文档 WoS:https://docs.qualcomm.com/bundle/publicresource/80-94755-1_REV_AA_QAI_AppBuilder_-_WoS.pdf
  3. QAI AppBuilder - 用AI开发端侧AI应用(1): 应用开发入门
  4. QAI AppBuilder - 用AI开发端侧AI应用(2): 模型转换实战
  5. QAI AppBuilder - 用AI开发端侧AI应用(3): 从模型转换到猜拳游戏实战
  6. 大语言模型系列(1): 3分钟上手,在骁龙AI PC上部署DeepSeek!
  7. 大语言模型系列(2): 本地 OpenAI 兼容 API 服务的配置与部署
  8. 大语言模型系列(3): Qwen2.5-VL-3B 多模态模型端侧部署
  9. 大语言模型系列(4): BGE-Base-Zh-V1.5 端侧使用教程
  10. 大语言模型系列(5): Qwen3-Reranker-0.6B 使用指南
  11. 大语言模型系列(6): Qwen3-embedding-0.6B 使用指南
  12. 大语言模型系列(7): Qwen3-8B-8K模型端侧部署指南
  13. 大语言模型系列(8): Qwen2.5-omini-3B 端侧部署推理教程
  14. 大语言模型系列(9): SD3.5 Medium模型端侧部署使用指南
  15. Genie 开发文档系列(1): SuperResolution图像前后处理逻辑从C++迁移到Java的开发文档
  16. Genie 开发文档系列(2): Genie API 服务开发指南
  17. Genie 开发文档系列(3): GenieChat:使用 Genie API 构建 LLM 驱动的Android应用
  18. QAI AppBuilder 快速上手(1): 环境配置
  19. QAI AppBuilder 快速上手(2): 图像超分应用实例
  20. QAI AppBuilder 快速上手(3): 图像修复应用实例1
  21. QAI AppBuilder 快速上手(4): 图像超分应用实例2- Real_esrgan_general_x4v3
  22. QAI AppBuilder 快速上手(5): 图像分类和识别应用实例
  23. QAI AppBuilder 快速上手(6): 图像分割应用实例
  24. QAI AppBuilder 快速上手(7):目标检测应用实例
  25. QAI AppBuilder 快速上手(8): 图像修复应用实例2
  26. QAI AppBuilder 快速上手(9): 人体关键点检测应用实例
  27. QAI AppBuilder 快速上手(10): 图像生成应用实例
...全文
149 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
源码链接: https://pan.quark.cn/s/a376b5a3a265 在 Windows 操作系统中配置 GPU 的 CUDA 开发环境是一项具有高度必要性的工作,这对 GPU 计算效能与深度学习算法的达成具有决定性的作用。本文将详尽阐述在 Windows 系统中配置 CUDA 开发环境的操作流程,并且处理一些可能遭遇的挑战。 一、版本匹配的关键性 在配置 CUDA 开发环境之前,必须检查项目所应用的 TensorFlow 版本,并明晰 TensorFlow、Python、CUDA 以及 cuDNN 各组件之间的适配关系。这一环节极为关键,因为不同版本间存在一定的兼容性障碍。倘若版本不一致,可能会导致配置失败或引发其他并发症。 二、获取并配置 CUDA 在确认所需安装的版本之后,可从 NVIDIA 的官方网站获取对应的 CUDA 版本。下载完毕后,依照安装指引进行配置。在配置过程中,有几个重点环节需要留意: 1. CUDA 需要借助 C++ 编译器的支持,在 Windows 平台上必须安装 Visual Studio。若设备未预装 Visual Studio,在配置 CUDA 时会提示选择安装哪个版本。 2. CUDA 的路径应保持默认,以便于后续环境变量的配置。 三、配置完成后的验证 配置结束后,需要确认是否配置成功。主要运用 CUDA 自带的 deviceQuery.exe 和 bandwidthTest.exe 两个工具: 1. 通过 win+R 启动 cmd,切换至安装目录下的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extra...
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[香烟(Cigarette)] · 训练集:636 张 · 验证集:182 张 · 测试集:91 张 · 总计:909 张 该数据集聚焦于多类人物在不同环境下的香烟使用行为,涵盖室内、室外、公共与私密等多种真实生活场景,具有高度的现实应用价值,可为公共场所吸烟行为识别、健康警示系统及社会行为研究提供高质量视觉样本支持。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.5645** mAP50-95 | 0.3009 Precision | 0.7024 Recall | 0.5510 train/box_loss | 1.1101 train/cls_loss | 0.6001 val/box_loss | 2.0088 val/cls_loss | 1.6177 【训练过程分析】 100 轮训练后 mAP50 仅 0.5645,模型收敛不充分。Loss 曲线前期下降后进入平台期,mAP 提升缓慢。mAP50-95 为 0.3009,定位精度同样偏低。 【模型性能评估】 Precision 0.7024、Recall 0.5510,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果偏弱,漏检和误检较多,小目标和边缘场景的检出能力不足。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 对定位精度支撑不足,尝试 800 或 1024 改善 mAP50-95。...

7,746

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、IoT、PC 、XR、Auto等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
物联网人工智能开源 企业社区 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧