# 비디오의 프레임에 Semantic segmentation 적용 모델에 파이프라인 명령어를 실행하기 전에, 필요한 [요구 조건](https://docs.qualcomm.com/doc/80-70020-15BK/topic/ai-hub-qualcomm-im-sdk.html#prerequisites) 을 따라야 합니다. 다음 명령어를 실행하여 결과가 연결된 디스플레이에 표시되는지 확인하세요. export XDG_RUNTIME_DIR=/dev/socket/weston && export WAYLAND_DISPLAY=wayland-1 Copy to clipboard ## DeepLabV3-Plus\_MobileNet DeepLabV3 Quantized는 여러 규모에서 Semantic segmentation 위해 설계되었으며 다양한 데이터 세트에서 학습되었습니다. AI Hub 모델은 [이 DeepLabV3-Plus_MobileNet](https://github.com/jfzhang95/pytorch-deeplab-xception) 을 기반으로 합니다. - 모델: [DeepLabV3-Plus_MobileNet](https://aihub.qualcomm.com/iot/models/deeplabv3_plus_mobilenet) - 레이블: [voc_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/voc_labels.txt) gst-launch-1.0 -e --gst-debug=2 \ filesrc location=/etc/media/video.mp4 ! qtdemux ! queue ! h264parse ! v4l2h264dec capture-io-mode=4 output-io-mode=4 ! video/x-raw,format=NV12 ! queue ! tee name=split \ split. ! queue ! qtivcomposer name=mixer sink_1::alpha=0.5 ! queue ! waylandsink sync=true fullscreen=true \ split. ! queue ! qtimlvconverter ! queue ! qtimltflite delegate=external external-delegate-path=libQnnTFLiteDelegate.so \ external-delegate-options="QNNExternalDelegate,backend_type=htp;" model=/etc/models/deeplabv3_plus_mobilenet_quantized.tflite ! queue ! \ qtimlvsegmentation module=deeplab-argmax labels=/etc/labels/voc_labels.txt \ constants="deeplab,q-offsets=<92.0>,q-scales=<0.04518842324614525>;" ! video/x-raw,format=BGRA,width=256,height=144 ! queue ! mixer. Copy to clipboard ## FCN-Resnet50 FCN\_ResNet50은 COCO 데이터 세트에서 이미지를 분류할 수 있는 양자화된 머신 러닝 모델입니다. AI Hub 모델은 [이 FCN-Resnet50 구현](https://github.com/pytorch/vision/blob/main/torchvision/models/segmentation/fcn.py) 을 기반으로 합니다. - 모델: [FCN-Resnet50](https://aihub.qualcomm.com/iot/models/fcn_resnet50) - 레이블: [voc_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/voc_labels.txt) 참고 이 파이프라인은 현재 Qualcomm Dragonwing™ RB3 Gen 2에서 지원되지 않습니다. gst-launch-1.0 -e --gst-debug=2 \ filesrc location=/etc/media/video.mp4 ! qtdemux ! queue ! h264parse ! v4l2h264dec capture-io-mode=4 output-io-mode=4 ! video/x-raw,format=NV12 ! queue ! tee name=split \ split. ! queue ! qtivcomposer name=mixer sink_1::alpha=0.5 ! queue ! waylandsink sync=true fullscreen=true \ split. ! queue ! qtimlvconverter ! queue ! qtimltflite delegate=external external-delegate-path=libQnnTFLiteDelegate.so \ external-delegate-options="QNNExternalDelegate,backend_type=htp;" model=/etc/models/fcn_resnet50_quantized.tflite ! queue ! \ qtimlvsegmentation module=deeplab-argmax labels=/etc/labels/voc_labels.txt \ constants="deeplab,q-offsets=<0.0>,q-scales=<1.0>;" ! video/x-raw,format=BGRA,width=256,height=144 ! queue ! mixer. Copy to clipboard ## FFNet-40S FFNet-40S는 도로, 보도, 보행자 등 픽셀별 클래스로 거리 장면 이미지를 구분하는 ‘fuss-free network’입니다. cityscapes 데이터 세트에서 학습되었습니다. AI Hub 모델은 [이 FFNet-40S 구현](https://github.com/Qualcomm-AI-research/FFNet) 을 기반으로 합니다. - 모델: [FFNet-40S](https://aihub.qualcomm.com/iot/models/ffnet_40s) - 레이블: [voc_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/voc_labels.txt) gst-launch-1.0 -e --gst-debug=2 \ filesrc location=/etc/media/video.mp4 ! qtdemux ! queue ! h264parse ! v4l2h264dec capture-io-mode=4 output-io-mode=4 ! video/x-raw,format=NV12 ! queue ! tee name=split \ split. ! queue ! qtivcomposer name=mixer sink_1::alpha=0.5 ! queue ! waylandsink sync=false fullscreen=true \ split. ! queue ! qtimlvconverter ! queue ! qtimltflite delegate=external external-delegate-path=libQnnTFLiteDelegate.so \ external-delegate-options="QNNExternalDelegate,backend_type=htp;" model=/etc/models/ffnet_40s_quantized.tflite ! queue ! \ qtimlvsegmentation module=deeplab-argmax labels=/etc/labels/voc_labels.txt constants="ffnet,q-offsets=<178.0>,q-scales=<0.31378185749053955>;" ! \ video/x-raw,format=BGRA,width=256,height=144 ! queue ! mixer. Copy to clipboard ## FFNet-54S FFNet-54S는 도로, 보도, 보행자 등 픽셀별 클래스로 거리 장면 이미지를 구분하는 ‘fuss-free network’입니다. cityscapes 데이터 세트에서 학습되었습니다. AI Hub 모델은 [이 FFNet-54S 구현](https://github.com/Qualcomm-AI-research/FFNet) 을 기반으로 합니다. - 모델: [FFNet-54S](https://aihub.qualcomm.com/iot/models/ffnet_54s) - 레이블: [voc_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/voc_labels.txt) gst-launch-1.0 -e --gst-debug=2 \ filesrc location=/etc/media/video.mp4 ! qtdemux ! queue ! h264parse ! v4l2h264dec capture-io-mode=4 output-io-mode=4 ! video/x-raw,format=NV12 ! queue ! tee name=split \ split. ! queue ! qtivcomposer name=mixer sink_1::alpha=0.5 ! queue ! waylandsink sync=false fullscreen=true \ split. ! queue ! qtimlvconverter ! queue ! qtimltflite delegate=external external-delegate-path=libQnnTFLiteDelegate.so \ external-delegate-options="QNNExternalDelegate,backend_type=htp;" model=/etc/models/ffnet_54s_quantized.tflite ! queue ! \ qtimlvsegmentation module=deeplab-argmax labels=/etc/labels/voc_labels.txt constants="ffnet,q-offsets=<178.0>,q-scales=<0.2929433584213257>;" ! \ video/x-raw,format=BGRA,width=256,height=144 ! queue ! mixer. Copy to clipboard ## FFNet-78S FFNet-78S는 도로, 보도, 보행자 등 픽셀별 클래스로 거리 장면 이미지를 구분하는 ‘fuss-free network’입니다. cityscapes 데이터 세트에서 학습되었습니다. AI Hub 모델은 [이 FFNet-78S 구현](https://github.com/Qualcomm-AI-research/FFNet) 을 기반으로 합니다. - 모델: [FFNet-78S](https://aihub.qualcomm.com/iot/models/ffnet_78s) - 레이블: [voc_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/voc_labels.txt) gst-launch-1.0 -e --gst-debug=2 \ filesrc location=/etc/media/video.mp4 ! qtdemux ! queue ! h264parse ! v4l2h264dec capture-io-mode=4 output-io-mode=4 ! video/x-raw,format=NV12 ! queue ! tee name=split \ split. ! queue ! qtivcomposer name=mixer sink_1::alpha=0.5 ! queue ! waylandsink sync=false fullscreen=true \ split. ! queue ! qtimlvconverter ! queue ! qtimltflite delegate=external external-delegate-path=libQnnTFLiteDelegate.so \ external-delegate-options="QNNExternalDelegate,backend_type=htp;" model=/etc/models/ffnet_78s_quantized.tflite ! queue ! \ qtimlvsegmentation module=deeplab-argmax labels=/etc/labels/voc_labels.txt constants="ffnet,q-offsets=<171.0>,q-scales=<0.3849360942840576>;" ! \ video/x-raw,format=BGRA,width=256,height=144 ! queue ! mixer. Copy to clipboard Last Published: Dec 23, 2025 [Previous Topic 객체 감지](https://docs.qualcomm.com/bundle/publicresource/80-70020-15BK/topics/object-detection.md) [Next Topic 초고해상도로 이미지 업스케일링](https://docs.qualcomm.com/bundle/publicresource/80-70020-15BK/topics/super-resolution.md)