当前位置： 首页 > news >正文

snpe-VGG案例（uv环境-全流程 教程）

news 2026/8/19 21:57:59

摘要：本文详细记录了在 Linux 主机上使用 Qualcomm SNPE SDK 2.21 部署 VGG16 ONNX 模型的完整流程，涵盖环境搭建、依赖安装、模型下载与转换、主机 CPU 推理验证、ARM64 交叉编译 C++ Sample、板端部署运行以及输出结果验证等九个步骤。文章还针对官方案例未预设 Python 环境的问题，提供了多种虚拟环境配置方案，帮助读者从零开始跑通 SNPE VGG 案例。

一、相关文档入口
这次 VGG 案例主要看这些文档：

主题文档
SDK 环境docs/SNPE/html/general/setup.html
教程资源准备docs/SNPE/html/general/tutorial_setup.html
VGG ONNX 教程docs/SNPE/html/general/tutorial_onnx.html
ONNX 转 DLC 工具docs/SNPE/html/general/tools_model_conversion.html
推理工具snpe-net-rundocs/SNPE/html/general/tools_execution.html
C++ Sample 交叉编译docs/SNPE/html/general/cplus_plus_tutorial.html

VGG 相关脚本在：

${SNPE_ROOT}/examples/Models/VGG/scripts/

核心脚本：

setup_VGG.py create_VGG_raws.py create_file_list.py show_vgg_classifications.py

C++ 测试代码在：

${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode/jni/main.cpp

二、Linux 主机安装依赖
SNPE 2.21 的check-python-dependency明确要求：

  • Python3.6或3.8
  • 必须在 virtualenv/conda 环境中运行
  • 推荐 Python 3.8

如果你用uv，推荐：

cd /path/to/snpe_2.21 uv python install 3.8 uv venv .venv-snpe --python 3.8 source .venv-snpe/bin/activate

如果不用uv：

sudo apt update sudo apt install -y python3.8 python3.8-venv python3.8-dev python3-pip wget make build-essential cd /path/to/snpe_2.21 python3.8 -m venv .venv-snpe source .venv-snpe/bin/activate

设置 SNPE 环境：（#XXX是snpe_2.21的本机路径，自行替换正确路径）

后续执行模型转换后，直接在onnx 模型路径下执行命令就行。

export SNPE_ROOT=/XXX/snpe_2.21 source ${SNPE_ROOT}/bin/envsetup.sh

之前你遇到过Permission denied，所以这里用python3直接执行检查脚本：

python3 ${SNPE_ROOT}/bin/check-python-dependency

VGG 最小依赖是：

python3 -m pip install numpy pillow scipy onnx

但更推荐跑上面的check-python-dependency，它会按 SDK 测试过的版本安装完整依赖。

三、下载 VGG 模型和数据
官方 VGG 脚本会下载三类资源：

vgg16.onnx synset.txt kitten.jpg

来源在setup_VGG.py里写死：

https://s3.amazonaws.com/onnx-model-zoo/vgg/vgg16/vgg16.onnx https://s3.amazonaws.com/onnx-model-zoo/synset.txt https://s3.amazonaws.com/model-server/inputs/kitten.jpg

执行：

cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/setup_VGG.py -a ./onnx -d

脚本会自动完成：

1. 下载 vgg16.onnx、synset.txt、kitten.jpg 2. 生成 data/cropped/*.raw 3. 生成 data/cropped/raw_list.txt 4. 生成 dlc/vgg16.dlc

注意跑测py需要在创建的uv环境下，官方案例没有设定环境，需要认为导入：

方法一：激活虚拟环境（推荐）

# 激活虚拟环境 source /home/XXX/My_Snpe_Project/snpe_2.21/.venv-snpe38/bin/activate 在虚拟环境中安装 onnx pip install onnx 验证 python -c "import onnx; print(onnx.version)"

方法二：查看当前用的是哪个 Python

which python3 python3 --version 确认 onnx 安装位置 ls /home/XXX/.local/lib/python3.8/site-packages/ | grep onnx 临时把 user site-packages 加入 PYTHONPATH export PYTHONPATH=/home/quectel/.local/lib/python3.8/site-packages:$PYTHONPATH python3 -c "import onnx; print(onnx.version)"

将user site-packages 永久加入 PYTHONPATH方法：

方法一：在虚拟环境中安装（最推荐）

既然你已经有一个.venv-snpe38虚拟环境，直接在虚拟环境里装onnx，一劳永逸：

source /home/XXX/My_Snpe_Project/snpe_2.21/.venv-snpe38/bin/activate pip install onnx

之后只要激活该虚拟环境，onnx就能直接使用，无需额外设置。

方法二：加到~/.bashrc（全局生效）

如果你希望所有终端都自动包含 user site-packages：

echo 'export PYTHONPATH=/home/XXX/.local/lib/python3.8/site-packages:$PYTHONPATH' >> ~/.bashrc source ~/.bashrc
方法三：修改 SNPE 的envsetup.sh（仅在 source 时生效）

如果你希望只在 SNPE 环境下生效，修改envsetup.sh：

echo 'export PYTHONPATH=/home/XXX/.local/lib/python3.8/site-packages:$PYTHONPATH' >> /home/XXX/My_Snpe_Project/snpe_2.21/bin/envsetup.sh

方法三：直接在虚拟环境中安装（如果已有虚拟环境）

# 用虚拟环境的 pip 安装 /home/XXX/My_Snpe_Project/snpe_2.21/.venv-snpe38/bin/pip install onnx 用虚拟环境的 python 运行 /home/XXX/My_Snpe_Project/snpe_2.21/.venv-snpe38/bin/python -c "import onnx; print(onnx.version)"

如果网络不通，也可以手动下载：

mkdir -p ${SNPE_ROOT}/examples/Models/VGG/onnx cd ${SNPE_ROOT}/examples/Models/VGG/onnx wget -N https://s3.amazonaws.com/onnx-model-zoo/vgg/vgg16/vgg16.onnx wget -N https://s3.amazonaws.com/onnx-model-zoo/synset.txt wget -N https://s3.amazonaws.com/model-server/inputs/kitten.jpg

然后执行：

cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/create_VGG_raws.py -i onnx -d data/cropped python3 scripts/create_file_list.py -i data/cropped -o data/cropped/raw_list.txt -e "*.raw" python3 scripts/create_file_list.py -i data/cropped -o data/raw_list.txt -e "*.raw" -r cp onnx/synset.txt data/

四、模型转换 ONNX → DLC
如果不用setup_VGG.py自动转换，可以手动执行：

cd ${SNPE_ROOT}/examples/Models/VGG mkdir -p dlc snpe-onnx-to-dlc --input_network onnx/vgg16.onnx --output_path dlc/vgg16.dlc

或 在根目录下运行代码注意路径问题

cd ${SNPE_ROOT}/examples/Models/VGG mkdir -p dlc python3 ./bin/x86_64-linux-clange/snpe-onnx-to-dlc --input_network ./examples/Models/VGG/onnx/vgg16.onnx --output_path ./examples/Models/VGG/dlc/vgg16.dlc

检查 DLC：

snpe-dlc-info -i dlc/vgg16.dlc

或 在根目录下运行代码注意路径问题

python3 ./bin/x86_64-linux-clang/snpe-dlc-info -i ./examples/Models/VGG/dlc/vgg16.dlc

主机上先跑一次 CPU 推理验证： （在根目录下运行代码注意路径问题）

cd ${SNPE_ROOT}/examples/Models/VGG/data/cropped snpe-net-run --input_list raw_list.txt --container ../../dlc/vgg16.dlc --output_dir ../../output
注意：

snpe-net-run不是 Python 脚本，是高通 SNPE 编译出来的二进制可执行文件，你用python3去运行二进制文件，必然报编码语法错误。

补充常见前置操作
  • 赋予执行权限（第一次运行必做）
# 替换成你自己的SNPE根目录 source ${SNPE_ROOT}/bin/envsetup.sh x86_64-linux-clang
  • 加载 SNPE 环境变量（否则会报库找不到）
chmod +x ./bin/x86_64-linux-clang/snpe-net-run

查看分类结果：

cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/show_vgg_classifications.py -i data/cropped/raw_list.txt -o output -l data/synset.txt

成功时会输出 top-5 分类，例如 kitten 相关类别。

举例 输入： python3 ./examples/Models/VGG/scripts/show_vgg_classifications.py -i ./examples/M odels/VGG/data/cropped/raw_list.txt -o ./examples/Models/VGG/output/ -l ./examples/Models/VGG/data/synset.txt
输出： Classification results probability=0.339871 ; class=n02123045 tabby, tabby cat probability=0.329623 ; class=n02124075 Egyptian cat probability=0.299326 ; class=n02123159 tiger cat probability=0.021479 ; class=n02127052 lynx, catamount

五、Linux 上交叉编译 ARM64 C++ Sample
SNPE 已提供 Makefile：

${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode/Makefile.aarch64-oe-linux-gcc11.2 ${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode/Makefile.aarch64-ubuntu-gcc9.4

如果你的板子是 Yocto / LE Linux，推荐：

export SNPE_TARGET_ARCH=aarch64-oe-linux-gcc11.2

交叉工具链路径示例：

export AARCH64_LINUX_OE_GCC_112=/path/to/qcom-esdk

编译：

cd ${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode make clean -f Makefile.aarch64-oe-linux-gcc11.2 make -f Makefile.aarch64-oe-linux-gcc11.2

如果 Makefile 默认路径不匹配，直接传CXX：

make CXX="/path/to/esdk/sysroots/x86_64-qtisdk-linux/usr/bin/aarch64-oe-linux/aarch64-oe-linux-g++ --sysroot=/path/to/esdk/sysroots/armv8a-oe-linux" \ -f Makefile.aarch64-oe-linux-gcc11.2

产物：

${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode/obj/local/aarch64-oe-linux-gcc11.2/snpe-sample

如果你的目标板是 Ubuntu ARM64：

export SNPE_TARGET_ARCH=aarch64-ubuntu-gcc9.4 export AARCH64_UBUNTU_GCC_94=/path/to/aarch64-ubuntu-toolchain cd ${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode make -f Makefile.aarch64-ubuntu-gcc9.4

六、拷贝到 ARM Linux 设备
假设板子 IP 是192.168.1.100，用户名是root：

export SNPE_TARGET_ARCH=aarch64-oe-linux-gcc11.2 export TARGET_IP=192.168.1.100 export TARGET_USER=root export TARGET_DIR=/data/local/tmp/snpe_vgg ssh ${TARGET_USER}@${TARGET_IP} "mkdir -p ${TARGET_DIR}/bin ${TARGET_DIR}/lib ${TARGET_DIR}/model ${TARGET_DIR}/data/cropped ${TARGET_DIR}/output"

拷贝 SNPE 运行库和工具：

scp ${SNPE_ROOT}/bin/${SNPE_TARGET_ARCH}/snpe-net-run \ ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/bin/ scp ${SNPE_ROOT}/lib/${SNPE_TARGET_ARCH}/*.so ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/lib/

拷贝交叉编译的 sample：

scp ${SNPE_ROOT}/examples/SNPE/NativeCpp/SampleCode/obj/local/${SNPE_TARGET_ARCH}/snpe-sample \ ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/bin/

拷贝 VGG 模型和输入：

scp ${SNPE_ROOT}/examples/Models/VGG/dlc/vgg16.dlc \ ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/model/ scp ${SNPE_ROOT}/examples/Models/VGG/data/cropped/*.raw ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/data/cropped/ scp ${SNPE_ROOT}/examples/Models/VGG/data/cropped/raw_list.txt ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/data/cropped/ scp ${SNPE_ROOT}/examples/Models/VGG/data/synset.txt ${TARGET_USER}@${TARGET_IP}:${TARGET_DIR}/data/

七、ARM 设备上运行 snpe-net-run
登录板子：

ssh root@192.168.1.100

设置环境：

export TARGET_DIR=/data/local/tmp/snpe_vgg export LD_LIBRARY_PATH=${TARGET_DIR}/lib:${LD_LIBRARY_PATH} export PATH=${TARGET_DIR}/bin:${PATH}

测试 SNPE 工具：

snpe-net-run -h

运行 VGG：

cd ${TARGET_DIR} snpe-net-run --input_list data/cropped/raw_list.txt --container model/vgg16.dlc --output_dir output

输出文件一般是：

${TARGET_DIR}/output/Result_0/vgg0_dense2_fwd.raw

八、ARM 设备上运行交叉编译 sample

cd ${TARGET_DIR} snpe-sample -b ITENSOR -d model/vgg16.dlc -i data/cropped/raw_list.txt -o output_sample -r cpu

参数说明：

-b ITENSOR 使用 ITensor 输入输出 -d vgg16.dlc DLC 模型 -i raw_list.txt 输入 raw 列表 -o output_sample 输出目录 -r cpu CPU runtime

如果要试 GPU/DSP：

snpe-sample -b ITENSOR -d model/vgg16.dlc -i data/cropped/raw_list.txt -o output_gpu -r gpu snpe-sample -b ITENSOR -d model/vgg16.dlc -i data/cropped/raw_list.txt -o output_dsp -r dsp

DSP 还需要额外推送 Hexagon 库并设置ADSP_LIBRARY_PATH，先跑 CPU 最稳。

九、测试代码：拉回输出并验证 top-5
在主机上拉回板端输出：

mkdir -p ${SNPE_ROOT}/examples/Models/VGG/arm_output scp -r root@192.168.1.100:/data/local/tmp/snpe_vgg/output ${SNPE_ROOT}/examples/Models/VGG/arm_output/

用官方测试脚本验证：

cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/show_vgg_classifications.py -i data/cropped/raw_list.txt -o arm_output/output -l data/synset.txt

如果你想要一个更小的独立测试脚本，可保存为verify_vgg_output.py：

import argparse import numpy as np from scipy.special import softmax parser = argparse.ArgumentParser() parser.add_argument("--raw", required=True) parser.add_argument("--labels", required=True) args = parser.parse_args() logits = np.fromfile(args.raw, dtype=np.float32) if logits.size != 1000: raise RuntimeError(f"Expected 1000 outputs, got {logits.size}") with open(args.labels, "r") as f: labels = [x.strip() for x in f] probs = softmax(logits) top5 = np.argsort(probs)[::-1][:5] for i in top5: print(f"{probs[i]:.6f} {labels[i]}")

运行：

python3 verify_vgg_output.py \ --raw ${SNPE_ROOT}/examples/Models/VGG/arm_output/output/Result_0/vgg0_dense2_fwd.raw \ --labels ${SNPE_ROOT}/examples/Models/VGG/data/synset.txt

最短跑通路线

source .venv-snpe/bin/activate export SNPE_ROOT=/path/to/snpe_2.21 source ${SNPE_ROOT}/bin/envsetup.sh python3 ${SNPE_ROOT}/bin/check-python-dependency cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/setup_VGG.py -a ./onnx -d cd data/cropped snpe-net-run --input_list raw_list.txt --container ../../dlc/vgg16.dlc --output_dir ../../output cd ${SNPE_ROOT}/examples/Models/VGG python3 scripts/show_vgg_classifications.py -i data/cropped/raw_list.txt -o output -l data/synset.txt
http://www.cnnetsun.cn/news/4106088.html

相关文章：

  • 实测通勤15分钟出片全流程，不用电脑不用大内存手机
  • 基于树莓派的智能交互装置：从硬件搭建到AI对话引擎实现
  • 企业信息管理：从“罗生门”到一致性回应的体系构建
  • OPOR-Bench: Evaluating Large Language Models on Online Public Opinion Report Generation
  • AE字体动画核心技巧：从基础动画器到批量预设应用
  • 2026毕业论文AI生成工具打分：6款谁更靠谱
  • 百度网盘Mac版免费提速完整方案：1个开源插件解锁SVIP高速下载（附避坑指南）
  • 使用CD4051实现8路模拟信号复用：硬件设计与Arduino编程指南
  • 用Python打造智能双模机械键盘：从硬件焊接、CircuitPython编程到高级功能实现
  • 基于世界模型与持续学习的自适应机器人系统构建指南
  • meteor-collection-hooks教程：remove钩子实现级联删除的完整指南
  • 基于RP2040与MicroPython的Pi Day灯光项目：从硬件选型到交互实现
  • 基于UNIHIKER K10的财富雨互动游戏开发：触摸、声音与姿态控制
  • OneNote 页面编号终极指南：用 OneMore 三步搭出专业级文档结构
  • G-Helper 上手指南：用一款开源轻量工具，让华硕笔记本性能、静音与续航兼得
  • Autojs基础-Shell命令(shell)
  • 在ARM和国产芯片上部署容器化项目总是失败？这份跨架构实战指南帮你一次过关
  • STM32CubeIDE与RT-Spark开发板：从零实现LED闪烁的完整指南
  • 基于MAX7219与MD_Parola库实现多块8x8 LED点阵屏文字滚动
  • CentOS7 tar包安装mysql8.0
  • Habitat-Sim 从零到实战：具身AI 3D仿真器的完整部署与应用指南
  • 免费开源AI修图工具IOPaint：三步抹掉照片中的路人、水印和文字
  • STA静态时序检查笔记整理
  • BenchmarkTools.jl 可视化：用 BenchmarkPlots 让性能结果一目了然
  • Kindle漫画转换工具KCC完整指南：6个步骤让整卷漫画在电子墨水屏上完美呈现
  • 《YOLO系列模型的多模态项目》配置使用教程（必看内容）
  • Python数据可视化科技图表绘制系列教程（四）
  • 单片机毕业设计-基于 STM32 单片机的心率血氧体温监测报警系统设计 基于 STM32 的便携式人体体征采集与跌倒检测设备开发（023703）
  • AZ-400管道风格对比：YAML管道vs经典管道、托管代理vs自托管代理，到底怎么选？
  • 5步搭建DNF私服完整指南：Docker容器化部署地下城与勇士服务器实战