# 分類影像 在執行模型的管線命令前，請完成必要的 [前置條件](https://docs.qualcomm.com/doc/80-70020-15BT/topic/ai-hub-qualcomm-im-sdk.html#prerequisites)。 在執行分類命令之前，於 SSH shell 中執行以下命令。 export XDG_RUNTIME_DIR=/dev/socket/weston && export WAYLAND_DISPLAY=wayland-1 Copy to clipboard ## GoogLeNet GoogLeNet 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型以 [此 GoogLeNet 實作](https://github.com/pytorch/vision/blob/main/torchvision/models/googlenet.py) 為基礎。 - 模型： [GoogLeNet](https://aihub.qualcomm.com/iot/models/googlenet) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_labels.txt) 備註 使用此模型進行推論時，分類標籤可能不會顯示。 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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/googlenet_quantized.tflite ! queue ! \ qtimlvclassification threshold=51.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Mobilenet,q-offsets=<53.0>,q-scales=<0.08174873143434525>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## Inception-v3 InceptionNetV3 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 此模型在後訓練使用量化為 int8 的 Google 開放影像資料集。 AI Hub 模型以 [此 Inception-v3 實作](https://github.com/pytorch/vision/blob/main/torchvision/models/inception.py) 為基礎。 - 模型： [Inception-v3](https://aihub.qualcomm.com/iot/models/inception_v3) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/inception_v3_quantized.tflite ! queue ! \ qtimlvclassification threshold=51.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Inception,q-offsets=<33.0>,q-scales=<0.18740029633045197>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## MobileNet-v2 MobileNetV2 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型以 [此 MobileNet-v2 實作](https://github.com/tonylins/pytorch-mobilenet-v2/tree/master) 為基礎。 - 模型： [MobileNet-v2](https://aihub.qualcomm.com/iot/models/mobilenet_v2) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/mobilenet_v2_quantized.tflite ! queue ! \ qtimlvclassification threshold=51.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Mobilenet,q-offsets=<69.0>,q-scales=<0.2386164367198944>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## MobileNet-v3-Large MobileNet-v3-Large 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型以 [此 MobileNet-v3-Large 實作](https://github.com/pytorch/vision/blob/main/torchvision/models/mobilenetv3.py) 為基礎。 - 模型： [MobileNet-v3-Large](https://aihub.qualcomm.com/iot/models/mobilenet_v3_large) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/mobilenet_v3_large_quantized.tflite ! queue ! \ qtimlvclassification threshold=51.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Mobilenet,q-offsets=<99.0>,q-scales=<0.18705224990844727>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## ResNet18 ResNet18 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 ResNet18](https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py) 的實作構建。 - 模型： [ResNet18](https://aihub.qualcomm.com/iot/models/resnet18) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/resnet18_quantized.tflite ! queue ! \ qtimlvclassification threshold=30.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnetnet,q-offsets=<68.0>,q-scales=<0.14944985508918762>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## ResNet101 ResNet101 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 ResNet101](https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py) 的實作構建。 - 模型： [ResNet101](https://aihub.qualcomm.com/iot/models/resnet101) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/resnet101_quantized.tflite ! queue ! \ qtimlvclassification threshold=51.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnet,q-offsets=<46.0>,q-scales=<0.2186901867389679 >;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## ResNeXt50 ResNeXt50 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 ResNeXt50](https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py) 的實作構建。 - 模型： [ResNeXt50](https://aihub.qualcomm.com/iot/models/resnext50) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/resnext50_quantized.tflite ! queue ! \ qtimlvclassification threshold=35.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnetnet,q-offsets=<30.0>,q-scales=<0.06314703077077866>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## ResNeXt101 ResNeXt101 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 ResNeXt101](https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py) 的實作構建。 - 模型： [ResNeXt101](https://aihub.qualcomm.com/iot/models/resnext101) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/resnext101_quantized.tflite ! queue ! \ qtimlvclassification threshold=35.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnetnet,q-offsets=<37.0>,q-scales=<0.1848793774843216>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## Shufflenet-v2 ShufflenetV2 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 Shufflenet-v2](https://github.com/pytorch/vision/blob/main/torchvision/models/shufflenetv2.py) 的實作構建。 - 模型： [Shufflenet-v2](https://aihub.qualcomm.com/iot/models/shufflenet_v2) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_labels.txt) 備註 使用此模型進行推論時，分類標籤可能不會顯示。 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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/shufflenet_v2_quantized.tflite ! queue ! \ qtimlvclassification threshold=35.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnetnet,q-offsets=<69.0>,q-scales=<0.14428946375846863>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## SqueezeNet-1\_1 SqueezeNet 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型以 [此 SqueezeNet-1_1 實作](https://github.com/pytorch/vision/blob/main/torchvision/models/squeezenet.py) 為基礎。 - 模型： [SqueezeNet-1_1](https://aihub.qualcomm.com/iot/models/squeezenet1_1) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_labels.txt) 備註 使用此模型進行推論時，分類標籤可能不會顯示。 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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/squeezenet1_1_quantized.tflite ! queue ! \ qtimlvclassification threshold=25.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnetnet,q-offsets=<0.0>,q-scales=<0.16435524821281433>;" ! video/x-raw,format=BGRA,width=640, height=360 ! queue ! mixer. Copy to clipboard ## WideResNet50 WideResNet50 是一個機器學習模型，可分類 Imagenet 資料集中的影像。也可用於構建更複雜的模型，以滿足特定的使用案例。 AI Hub 模型是以 [此 WideResNet50](https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py) 的實作構建。 - 模型： [WideResNet50](https://aihub.qualcomm.com/iot/models/wideresnet50) - 標籤： [imagenet_labels.txt](https://github.com/quic/ai-hub-models/blob/main/qai_hub_models/labels/imagenet_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::position="<30, 30>" sink_1::dimensions="<640, 360>" ! 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/wideresnet50_quantized.tflite ! queue ! \ qtimlvclassification threshold=35.0 results=5 module=mobilenet labels=/etc/labels/imagenet_labels.txt \ extra-operation=softmax constants="Resnet,q-offsets=<44.0>,q-scales=<0.1439792960882187>;" ! video/x-raw,format=BGRA,width=640,height=360 ! queue ! mixer. Copy to clipboard Last Published: Dec 23, 2025 [Previous Topic 使用 AI Hub 模型及標籤搭配 GStreamer API](https://docs.qualcomm.com/bundle/publicresource/80-70020-15BT/topics/ai-hub-qualcomm-im-sdk.md) [Next Topic 偵測物件](https://docs.qualcomm.com/bundle/publicresource/80-70020-15BT/topics/object-detection.md)