# 机器学习用例

Source: [https://docs.qualcomm.com/doc/80-70017-50SC/topic/machine-learning-use-cases.html](https://docs.qualcomm.com/doc/80-70017-50SC/topic/machine-learning-use-cases.html)

TensorFlow Lite runtime 和 Qualcomm Neural Processing SDK runtime 用于机器学习用例中的推理。

在运行用例之前，请执行以下操作：

- 完成 [GStreamer 命令行用例](https://docs.qualcomm.com/doc/80-70017-50SC/topic/gstreamer-application-use-cases.html) 中提到的前提条件。
- [下载 Qualcomm Neural Processing SDK 的模型、标签和 config JSON 文件](https://docs.qualcomm.com/doc/80-70017-50SC/topic/ai-ml-sample-applications.html#ai-ml-sample-applications__section_chl_dgz_scc).

重要：本指南中的 AI 过程与以下 runtime 兼容：
- Qualcomm Neural Processing SDK – v2.29
- Qualcomm AI Engine direct - v2.29
- TensorFlow Runtime（现为 LiteRT）– v2.16.1

在开始 AI/ML 开发之前，请确保将匹配的 SDK 下载到主机。

所描述的用例使用 MobileNet TFLite 模型对场景、单个摄像头流进行分类，并叠加或组合分类标签。

1. 创建 Python 3.8 虚拟环境：

        sudo apt-get install python3.8Copy to clipboard

        python3.8 -m venv py3.8Copy to clipboard

        source py3.8/bin/activateCopy to clipboard
2. 生成 yolov5.tflite 模型：

        git clone https://github.com/ultralytics/yolov5.gitCopy to clipboard

        cd yolov5Copy to clipboard

        python -m pip install -r requirements.txt tensorflow-cpuCopy to clipboard

        python export.py --weights yolov5m.pt --img 320 --include tflite --int8 -- data data/coco128.yamlCopy to clipboard

        scp yolov5m-int8.tflite root@<IP address of the device>:/opt/yolov5.tfliteCopy to clipboard

YOLO-NAS 和 YOLOv5 模型在同一数据集上进行训练。YOLOv5 也使用相同的标签文件。

    ssh root@<ip-addr of the target device>aCopy to clipboard

    cp /opt/yolonas.labels /opt/yolov5.labelsCopy to clipboard

- **[LiteRT 用例](https://docs.qualcomm.com/doc/80-70017-50SC/topic/tensorflow-lite-use-cases.html)**  

LiteRT 是一套可帮助开发者在移动、嵌入式和 Edge 设备上运行模型，从而实现设备端机器学习的工具。借助 LiteRT 用例，可以运行图像分类、目标检测、图像分割和姿态估计的用例。
- **[Qualcomm Neural Processing SDK 用例](https://docs.qualcomm.com/doc/80-70017-50SC/topic/qualcomm-neural-processing-sdk-use-cases.html)**  

Qualcomm Neural Processing SDK（原称为 Qualcomm Snapdragon Neural Processing Engine (SNPE)）用于运行深度神经网络进行推理。这些用例描述了使用不同 ML 模型的图像分类、目标检测和图像分割场景。

**上一级主题：** [GStreamer 命令行用例](https://docs.qualcomm.com/doc/80-70017-50SC/topic/gstreamer-application-use-cases.html)

Last Published: Nov 11, 2025

[Previous Topic
GStreamer 命令行用例](https://docs.qualcomm.com/bundle/publicresource/80-70017-50SC/topics/gstreamer-application-use-cases.md) [Next Topic
LiteRT 用例](https://docs.qualcomm.com/bundle/publicresource/80-70017-50SC/topics/tensorflow-lite-use-cases.md)