一、基于高通8155的SNPE-PTQ量化与打包

量化位置与工作目录，snpe1.51与1.43环境结构相同，下面以1.51为例介绍：

• SNPE1.51量化：172.20.84.162:/media/share_31.106
• SNPE1.43量化：172.20.65.2:/media/share_31.106

脚本化执行量化步骤和分步手动执行效果相同，但大大简化了步骤。若模型op全部支持，对于人脸相关模型，量化、打包最多只需执行三步、两个命令：

• sh 4.run_only_one_model.sh [一些输入参数]
  • 将会执行模型fuse,op裁剪,xlite打包,引擎资源打包以及量化脚本生成等步骤；
  • 若执行命令前尚未量化，将仅打包cpu资源，命令完成后需再执行下面两步；否则将打包全部cpu和量化资源，完成
  • 输入参数参考：5.snpe1.51_1003.sh
    • arg1:onnx路径
    • arg2:此模型在model/下的文件夹名称，需保持对应，不可随意修改
    • arg3:需裁减掉以避免量化的op name, 一般需裁减掉模型最后的Concat结点以降低量化误差
    • arg4:模型资源在引擎中的主名称
    • arg5:模型的input shape

• 若尚未执行量化，执行上步命令时终端将输出黄色警告信息提示，则前往量化服务器的quant_shell目录下执行量化操作，如`sh run_FACE_DETECT_quant.sh`, 脚本在上步生成，无需修改直接运行即可
• 量化完成后再次运行`sh 4.run_only_one_model.sh`进行打包，打包产物在model/[model_name]下

对于手势模型，每版模型均需重新生成量化数据，因此相比人脸相关模型，需增加一步数据生成操作，最多需执行四步、三个命令：

• sh 4.run_GR_model.sh [一些输入参数]
  • 脚本内执行的步骤类似`4.run_only_one_model.sh`, 另增加了生成量化数据生成脚本的命令；
  • 若执行命令前尚未量化，将仅打包cpu资源，命令完成后需再执行下面三步；否则将打包全部cpu和量化资源，完成
  • 输入参数参考：5.snpe1.51_1003.sh
    • arg1:onnx路径
    • arg2:量化图像数据路径
    • arg3:此模型在model/下的文件夹名称，如GR或其他自定义名称均可
    • arg4:量化时的优化项，如"--optimizations bc"或"--optimizations bc --optimizations cle"，经验表明仅bc时误差较小
    • arg5:模型资源在引擎中的主名称
    • arg6:资源版本号，如"201003", 可根据引擎版本、模型版本而定

• 若尚未执行量化，执行上步命令时终端将输出黄色警告信息提示，则切换到31.106的quant_shell下执行`sh run_GR_get_quant_data.sh`以生成新的量化数据
• 前往量化服务器的quant_shell目录下执行量化操作，`sh run_GR_quant.sh`, 脚本在第一步生成，无需修改直接运行即可
• 量化完成后再次运行`sh 4.run_GR_model.sh`进行打包，打包产物在model/[model_name]下

二、基于高通8155的SNPE-PTQ量化模型测试之车机使用方法

量化、打包完成后的测试需要在车机进行，目前有两个车机可用：

• 威马车机
• 蔚来车机

车机环境都不稳定，测试时应优先使用威马车机与业务方保持一致（已测试两个车机不会造成效果差异）。

车机入口

需要先进入远程桌面以连接车机。

win10-运行-mstsc, 输入

• 计算机：192.168.122.116
• 用户名
• 密码

登录（远程桌面的系统空间不足，已无法创建新用户），连接进入后通常在D:/[用户名]下工作。

可根据下面的方法连接、使用对应车机。

威马车机连接、传输文件

蔚来车机连接、传输文件

配置车机环境

车机测试通常是测试量化模型，需要配置dsp环境，假设dsp、snpe、xlite等相关库均在当前目录，则：

dsp, snpe库为：

三、基于高通8155车机的SNPE-PTQ量化模型效率效果测试方法

效果测试原理：snpe-net-run分别推理浮点模型、量化模型，计算MAE和余弦相似度评估效果；

效率测试原理：xlite推理浮点模型、量化模型，循环200次计算平均前向时间。

已完成脚本编写，只需按步骤执行脚本即可。

1、量化、打包后在31.106:./model_effectTest/下执行脚本取出待测试模型的dlc和xlite资源：

python3 get_model_dlc_xlite.py

• 参考脚本的data_dir0变量配置脚本的data_dir变量以设置需要取出哪些模型，
• 脚本会将模型全部取出到当前目录下的_model_snpeDLC_xliteRES下，同时生成测试脚本到_model_snpeDLC_xliteRES/_run_all_test.sh, 并压缩为_model_snpeDLC_xliteRES_syyan2.tar.gz

​​​​​​​2、压缩文件传输到车机，按测试脚本运行并得到输出结果的_snpe_out_data_syyan2.tar.gz文件，传输回31.106:./model_effectTest/下并解压得到_snpe_out_data文件夹

​​​​​​​3、运行脚本以计算MAE和余弦相似度指标

sh run_res_Effect_Efficiency.sh

• 配置get_res_Effect_Efficiency.py中的data_dir变量以设置需要计算哪些模型的效率效果指标
• 脚本将计算并记录结果到文件_log_all.log, 同时将提取效果最佳的资源到当前目录下的_res_best中

​​​​​​​