AidLite Python 接口文档

模型数据类型 class DataType

对于 AidliteSDK 而言，会用来处理不同框架的不同模型，每个模型也会有不同的输入数据类型和不同的输出数据类型。调用某些接口时，需要设置模型的输入输出数据类型，就需要用到此数据类型的枚举。

成员变量名	类型	值	描述
TYPE_DEFAULT	int	0	无效数据类型
TYPE_UINT8	int	1	Unsigned char 数据
TYPE_INT8	int	2	Char 数据
TYPE_UINT32	int	3	Unsigned int32 数据
TYPE_FLOAT32	int	4	float 数据
TYPE_INT32	int	5	int32 数据
TYPE_INT64	int	6	int64 数据
TYPE_UINT64	int	7	Unsigned int64 数据
TYPE_INT16	int	8	Int16 数据
TYPE_UINT16	int	9	Unsigned int16 数据
TYPE_FLOAT16	int	10	Float16 数据
TYPE_BOOL	int	11	Bool 数据

推理实现类型 class ImplementType

成员变量名	类型	值	描述
TYPE_DEFAULT	int	0	无效 ImplementType 类型
TYPE_MMKV	int	1	通过 MMKV 实现（现在没有相关的实现，后期可能移除）
TYPE_REMOTE	int	2	远程推理实现
TYPE_LOCAL	int	3	本地推理实现

💡注意

特别说明:

TYPE_LOCAL 与 TYPE_REMOTE 的区别在于：对于 Aplux 融合系统而言，前者的推理实现过程是在 Linux 环境本地完成的，无需数据的传输。而后者则是通过 IPC（进程间通信）的方式与 Android 环境实现数据交互，推理实现过程在 Android 环境完成的，故而会涉及到数据的传输。综上所述，TYPE_LOCAL 方式是用来完成推理过程的优选项。

模型框架类型 class FrameworkType

由于 AidliteSDK 整合了多种深度学习推理框架，所以在使用过程中，需要设置当前使用哪个框架的模型，就需要设置所需推理框架的类型枚举。

成员变量名	类型	值	描述
TYPE_DEFAULT	int	0	无效 FrameworkType 类型
TYPE_SNPE	int	1	SNPE 1.x (DLC) 模型
TYPE_TFLite	int	2	TFLite 模型
TYPE_RKNN	int	3	RKNN 模型
TYPE_QNN	int	4	QNN 模型
TYPE_SNPE2	int	5	SNPE 2.x (DLC) 模型
TYPE_NCNN	int	6	NCNN 模型
TYPE_MNN	int	7	MNN 模型
TYPE_TNN	int	8	TNN 模型
TYPE_PADDLE	int	9	Paddle 模型
TYPE_MS	int	10	MindSpore 模型
TYPE_ONNX	uint8_t	11	onnx 模型
TYPE_QNN216	uint8_t	101	QNN2.16 模型
TYPE_SNPE216	uint8_t	102	SNPE2.16 模型
TYPE_QNN223	uint8_t	103	QNN2.23 模型
TYPE_SNPE223	uint8_t	104	SNPE2.23 模型
TYPE_QNN229	uint8_t	105	QNN2.29 模型
TYPE_SNPE229	uint8_t	106	SNPE2.29 模型
TYPE_QNN231	uint8_t	107	QNN2.31 模型
TYPE_QNN236	uint8_t	108	QNN2.36 模型

💡注意

特别说明:

如果用户环境同时安装有 AidLite-QNN216/AidLite-QNN223/AidLite-QNN231 等后端实现软件包中的多个，而代码中 FrameworkType 设置为 TYPE_QNN 的话（即没有明确指定使用那个特定版本的 QNN 后端），那么实际运行的 QNN 后端应该是 QNN 版本最高的后端（即优先选择 AidLite-QNN231 来完成推理）。SNPE2的处理同理如是。
同一个程序中不能同时使用不同版本的 QNN 后端软件包，就是说如果程序中先指定了 TYPE_QNN216 来完成推理，那么就不能再使用 TYPE_QNN223/TYPE_QNN231 来做模型推理。SNPE2的处理同理如是。

推理加速硬件类型 class AccelerateType

对于每个深度学习推理框架而言，可能会支持运行在不同的加速设备上（如 SNPE/QNN 模型运行在 DSP 设备，RKNN 模型运行在 NPU 设备），所以在使用过程中，需要设置当前模型期望运行在哪个设备，就需要使用此加速硬件枚举。

成员变量名	类型	值	描述
TYPE_DEFAULT	int	0	无效 AccelerateType 类型
TYPE_CPU	int	1	CPU 加速运行
TYPE_GPU	int	2	GPU 加速运行
TYPE_DSP	int	3	DSP 加速运行
TYPE_NPU	int	4	NPU 加速运行

日志级别 class LogLevel

AidliteSDK 提供有设置日志相关信息的接口（后续会介绍），如果需要指定 AidliteSDK 当前使用哪个日志级别，就需要使用此日志级别枚举。

成员变量名	类型	值	描述
INFO	int	0	消息
WARNING	int	1	警告
ERROR	int	2	错误
FATAL	int	3	致命错误

输入输出信息类.class TensorInfo

每个模型都会有各自的输入输出，对于开发者不那么熟悉的模型而言，开发过程中可能需要查询该模型的输入输出 Tensor 信息，以方便开发者做模型推理的前后处理操作。Aidlite 为开发者提供了查询模型输入输出详细信息的接口，以及用于存储输入输出详细信息的 TensorInfo 数据类型。

成员变量列表

TensorInfo 对象用于存储模型输入输出 Tensor 的详细信息，其中就包含如下的这些参数：

成员	version
类型	uint32_t
默认	无默认值
描述	此成员用于标识 TensorInfo 版本，如果以后需要扩展更多信息时，会更新版本号

成员	index
类型	uint32_t
默认	无默认值
描述	Tensor 的索引值

成员	name
类型	std::string
默认	无默认值
描述	Tensor 的名称字符串

成员	element_count
类型	uint64_t
默认	0
描述	Tensor 中数据元素的数量（非字节数量）

成员	element_type
类型	enum DataType
默认	DataType::TYPE_DEFAULT
描述	Tensor 中数据元素的类型

成员	dimensions
类型	uint32_t
默认	0
描述	Tensor 中数据元素的维度值

成员	shape
类型	std::vector< uint64_t >
默认	无默认值
描述	Tensor 中数据元素的 shape 描述

模型类 class Model

在创建推理解释器之前，需要设置具体模型的相关详细参数。Model 类主要用于记录模型的文件信息、结构信息、运行过程中模型相关内容。

创建实例对象 create_instance()

想要设置模型相关的详细信息，当然就需要先有模型实例对象，此函数用于创建 Model 实例对象。如果模型框架（如 snpe、tflite 等）只需一个模型文件，则调用此接口。

API	create_instance
描述	通过传递模型文件的路径名称，构造 Model 类型的实例对象
参数	model_path：模型文件的路径名称
返回	正常：Model 实例对象
返回	异常：None

python

# 使用当前路径下 inceptionv3_float32.dlc 文件创建模型对象，返回值为空则报错
model = aidlite.Model.create_instance(model_path=r"./inceptionv3.dlc")
if model is None:
    print("Create model failed.")
    return False

创建实例对象 create_instance()

想要设置模型相关的详细信息，当然就需要先有模型实例对象，此函数用于创建 Model 实例对象。如果模型框架（如 ncnn、tnn 等）涉及两个模型文件，则调用此接口。

API	create_instance
描述	通过传递模型文件的路径名称，构造 Model 类型的实例对象
参数	model_struct_path：模型结构文件的路径名称
参数	model_weight_path：模型权重参数文件的路径名称
返回	如果为 nullptr 值，说明函数构建对象失败；否则就是 Model 对象的指针

python

# 使用当前路径下 ncnn 的两个模型文件创建模型对象，返回值为空则报错
model = aidlite.Model.create_instance( 
        model_struct_path=r"./mobilenet_ssd_voc_ncnn.param",
        model_weight_path=r"./mobilenet_ssd_voc_ncnn.bin")
if model is None:
    print("Create model failed.")
    return False

设置模型属性 set_model_properties()

模型实例对象创建成功之后，需要设置模型的输入输出数据类型和输入输出 tensor 数据的 shape 信息。

API	set_model_properties
描述	设置模型的属性，输出输出数据 shape 以数据类型。
参数	input_shapes：输入 tensor 的 shape 数组，二维数组结构。
	input_data_type：输入 tensor 的数据类型，DataType 枚举类型。
	output_shapes：输出 tensor 的 shape 数组，二维数组结构。
	output_data_type：输出 tensor 的数据类型，DataType 枚举类型。
返回
注意	1. 当且仅当 ImplementType 为 REMOTE 时，需要调用此接口来设置输入输出的详细信息。 2. 对于 SNPE/QNN 两个推理框架来说，输入输出的数据只能是 float32 数据类型，故而使用此接口只能是 aidlite.DataType.TYPE_FLOAT32 作为传入参数。如果是其他推理框架，输入输出的数据类型则与模型文件的输入输出 Tensor 的数据类型保持一致。

python

# 数据类型使用前述 DataType，输入输出 shape 是二维数组
input_shapes=[[1,640,640,3]]
output_shapes=[[1,10,10,255], [1,20,20,255], [1,40,40,255]]
model.set_model_properties( input_shapes=input_shapes, 
                            input_data_type=aidlite.DataType.TYPE_FLOAT32, 
                            output_shapes=output_shapes, 
                            output_data_type=aidlite.DataType.TYPE_FLOAT32)

获取模型路径 get_model_absolute_path()

如果模型框架（如 SNPE、TFLite 等）只涉及一个模型文件，在构建 Model 对象没有异常的情况下，会将传入的模型文件参数转换为绝对路径形式的文件路径。

API	get_model_absolute_path
描述	用于获取模型文件的存在路径
参数	无
返回	Model 对象所对应的模型文件路径字符串

获取模型路径 get_model_struct_absolute_path()

如果模型框架（如 NCNN、TNN 等）涉及两个模型文件，在构建 Model 对象没有异常的情况下，会将传入的模型结构文件参数转换为绝对路径形式的文件路径。

API	get_model_struct_absolute_path
描述	用于获取模型结构文件的存在路径
参数	无
返回	Model 对象所对应的模型结构文件路径字符串

获取模型路径 get_model_weight_absolute_path()

如果模型框架（如 NCNN、TNN 等）涉及两个模型文件，在构建 Model 对象没有异常的情况下，会将传入的模型权重参数文件参数转换为绝对路径形式的文件路径。

API	get_model_weight_absolute_path
描述	用于获取模型权重参数文件的存在路径
参数	无
返回	Model 对象所对应的模型权重参数文件路径字符串

配置类 class Config

在创建推理解释器之前，除了需要设置 Model 具体信息之外，还需要设置一些推理时的配置信息。Config 类用于记录需要预先设置的配置选项，这些配置项在运行时会被用到。

创建实例对象 create_instance()

想要设置运行时的配置信息，当然就需要先有配置实例对象，此函数用于创建 Config 实例对象。

API	create_instance
描述	用于构造 Config 类的实例对象
参数	无
返回	正常：Config 实例对象
返回	异常：None

python

# 创建配置实例对象，返回值为 None 则报错
config = aidlite.Config.create_instance()
if config is None:
    print("Create config failed.")
    return False

成员变量列表

Config 对象用于设置运行时的配置信息，其中就包含如下的这些参数：

成员	accelerate_type
类型	class AccelerateType
默认	AccelerateType.TYPE_CPU
描述	加速硬件的类型

成员	implement_type
类型	class ImplementType
默认	ImplementType.TYPE_LOCAL
描述	用于区分后端实现推理功能的不同环境
注意	开发者可以不用显式设置此配置项， AidliteSDK 会根据当前的系统环境、模型框架等因素，适配得出更优的 ImplementType 类型

成员	framework_type
类型	class FrameworkType
默认	FrameworkType.TYPE_DEFAULT
描述	底层推理框架的类型

成员	number_of_threads
类型	int
默认	-1
描述	线程数，大于 0 有效
注意	当且仅当 framework_type 为 TFLITE 时，可以选择性设置此配置项

成员	snpe_out_names
类型	list
默认	无
描述	模型输出节点的名称列表
注意	当且仅当 framework_type 为 SNPE 时，需要设置此配置项

成员	is_quantify_model
类型	int
默认	0
描述	是否为量化模型，1 表示量化模型
注意	当且仅当 implement_type 为 REMOTE 时，需要设置此配置项

成员	remote_timeout
类型	int
默认	-1
描述	接口超时时间（毫秒，大于 0 有效）
注意	当且仅当 implement_type 为 REMOTE 时，可以选择性设置此配置项

python

config.framework_type = aidlite.FrameworkType.TYPE_QNN
config.accelerate_type = aidlite.AccelerateType.TYPE_DSP
# 按需设置其他配置项
# ... ...

上下文类 class Context

用于存储执行过程中所涉及的运行时上下文，就包括 Model 对象和 Config 对象，后续可能会扩展运行时的上下文数据。

构造函数 Context()

API	Context
描述	构造 Context 实例对象
参数	model：Model 实例对象
参数	config：Config 实例对象
返回	正常：Context 实例对象
返回	异常：None

python

context = aidlite.Context(model=model, config=config)

获取 Model 成员变量 get_model()

API	get_model
描述	获取 context 管理的 Model 对象
参数	无
返回	Model 对象

python

model = context.get_model()

获取 Config 成员变量 get_config()

API	get_config
描述	获取 context 管理的 Config 对象
参数	无
返回	Config 对象

python

config = context.get_config()

解释器类 class Interpreter

Interpreter 类型的对象实例是执行推理操作的主体，用于执行具体的推理过程。创建解释器对象之后，所有的操作都是基于解释器对象来完成的，所以它是 AidliteSDK 绝对的核心内容。

创建实例对象 create_instance

想要执行推理相关的操作，推理解释器肯定必不可少，此函数就用于构建推理解释器的实例对象。

API	create_instance
描述	利用 Context 对象所管理的各种数据，构造 Interpreter 类型的对象
参数	context：Context 实例对象的指针
返回	正常：Interpreter 实例对象
返回	异常：None

python

# 创建解释器对象，返回值为 None 则报错
interpreter = aidlite.Interpreter.create_instance()
if interpreter is None:
    print("Create Interpreter failed.")
    return False

初始化 init()

解释器对象创建之后，需要执行一些初始化操作（比如环境检查、资源构建等）。

API	create_instance
描述	完成推理所需的相关的初始化工作
参数	无
返回	正常：0
返回	异常：非 0

python

# 解释器初始化，返回值非0则报错
result = aidlite.interpreter.init()
if result != 0:
    printf("sample : interpreter->init() failed.")
    return False

加载模型 load_model()

解释器对象完成初始化操作之后，就可以为解释器加载所需的模型文件，完成模型加载工作。后续的推理过程就使用加载的模型资源。

API	load_model
描述	完成模型加载相关的工作。因为前述在 Model 对象中已经设置模型文件的路径，所以直接执行模型加载操作即可
参数	无
返回	正常：0
返回	异常：非 0

python

# 解释器加载模型，返回值非 0 则报错
result = interpreter.load_model()
if result != 0:
    print("sample : interpreter->load_model() failed.")
    return False

获取输入Tensor详情 get_input_tensor_info()

如果想要获取模型的输入 Tensor 的详细信息，可以使用此接口获取。

API	get_input_tensor_info
描述	获取模型中输入 Tensor 的详细信息
返回	正常：TensorInfo 类型数据的二维数组
返回	异常：None
说明	此接口从 AidliteSDK 版本号 2.2.5 开始支持

python

# 获取模型的输入 Tensor 详细信息
input_tensor_info = onnx_interpreter.get_input_tensor_info()
if len(input_tensor_info) == 0 :
    printf("interpreter get_input_tensor_info() failed.\n")
    return False
for gi, graph_tensor_info in enumerate(input_tensor_info):
    for ti, tensor_info in enumerate(graph_tensor_info):
        print(  f"Input  tensor : Graph[{gi}]-Tensor[{ti}]-name[{tensor_info.name}]"
                f"-element_count[{tensor_info.element_count}]-element_type[{tensor_info.element_type}]"
                f"-dimensions[{tensor_info.dimensions}]-shape{tensor_info.shape}")

获取输出Tensor详情 get_output_tensor_info()

如果想要获取模型的输出 Tensor 的详细信息，可以使用此接口获取。

API	get_output_tensor_info
描述	获取模型中输出 Tensor 的详细信息
返回	正常：TensorInfo 类型数据的二维数组
返回	异常：None
说明	此接口从 AidliteSDK 版本号 2.2.5 开始支持

python

# 获取模型的输出 Tensor 详细信息
output_tensor_info = onnx_interpreter.get_output_tensor_info()
if len(output_tensor_info) == 0 :
    printf("interpreter get_output_tensor_info() failed.\n")
    return False
for gi, graph_tensor_info in enumerate(output_tensor_info):
    for ti, tensor_info in enumerate(graph_tensor_info):
        print(  f"Output tensor : Graph[{gi}]-Tensor[{ti}]-name[{tensor_info.name}]"
                f"-element_count[{tensor_info.element_count}]-element_type[{tensor_info.element_type}]"
                f"-dimensions[{tensor_info.dimensions}]-shape{tensor_info.shape}")

设置输入数据 set_input_tensor()

执行推理操作之前，需要传入模型所需的输入 Tensor 数据。设置输入数据之前，对于不同的模型，需要完成不同的前处理操作以适配具体模型。

API	set_input_tensor
描述	执行推理运算过程
参数	in_tensor_tag：输入 tensor 的索引值或者名称字符串，类型为 int 或者 str
参数	input_data：输入 tensor 的二进制数据，类型根据实际情况传递
返回	正常：0
返回	异常：非 0
说明	1. 参数 in_tensor_tag 从 AidliteSDK 版本号 2.2.5 开始支持字符串 2. 对于 SNPE/QNN 两个推理框架来说，输入的数据只能是 float32 数据类型，所以前处理之后得到的输入数据必须是float32格式，其他推理框架则与模型输入 Tensor 保持一致。

python

# 设置推理的输入数据，返回值非 0 则报错
result = interpreter.set_input_tensor(in_tensor_tag=1, input_data=obj)
#result = interpreter.set_input_tensor(in_tensor_tag="input_tensor_name", input_data=obj)
if result != 0:
    print("interpreter->set_input_tensor() failed.")
    return False

执行推理 invoke()

设置输入数据之后，接下来的步骤自然就是对输入数据执行推理运行过程。

API	invoke
描述	执行推理运算过程
参数	无
返回	正常：0
返回	异常：非 0

python

# 执行推理运行操作，返回值非 0 则报错
result = interpreter.invoke()
if result != 0:
    print("sample : interpreter->invoke() failed.")
    return False

获取输出数据 get_output_tensor()

推理完成之后，就需要将推理得到的结果数据取出来。之前介绍流程时提到，取出结果数据之后，就可以对这些结果数据进行处理，判断结果是否正确。

API	get_output_tensor
描述	推理成功之后，获取推理结果数据
参数	out_tensor_tag：结果输出 tensor 的索引值或者名称字符串，类型为 int 或者 str
参数	output_type：结果输出的类型，可选参数，不传默认为 aidlite.DataType.TYPE_FLOAT32
返回	正常：float 结果数据。
返回	异常：None。
说明	1. 参数 out_tensor_tag 从 AidliteSDK 版本号 2.2.5 开始支持字符串 2. 对于 SNPE/QNN 两个推理框架来说，输出的数据只会是 float32 数据类型, 所以必须对其按 float32 的数据格式来处理，其他推理框架则与模型输出 Tensor 保持一致。

python

# 获取推理结果数据，返回值为 None 则报错
out_data = interpreter.get_output_tensor(out_tensor_tag=1, output_type=aidlite.DataType.TYPE_INT32)
#out_data = interpreter.get_output_tensor(out_tensor_tag="output_tensor_name", output_type=aidlite.DataType.TYPE_INT32)
if out_data is None:
    print("interpreter->get_output_tensor() failed.")
    return False

资源释放 destory()

前面提到解释器对象需要执行 init() 初始化操作和 load_model() 加载模型的操作，相应的，解释器也需要执行一些释放操作，将之前创建的资源予以销毁。

API	destory
描述	完成必要的释放操作
参数	无
返回	正常：0
返回	异常：非 0

python

# 执行解释器释放过程，返回值非 0 则报错
result = interpreter.destory()
if result != 0:
    print("sample : interpreter-> destory() failed.")
    return False

解释器创建类 class InterpreterBuilder

统一的解释器 Interpreter 对象的创建函数，通过此类来创建所需的解释器对象。

构建解释器 build_interpretper_from_path()

构建推理解释器对象，可以提供不同的参数，最简单的就是只提供模型文件的路径和名称。如果模型框架（如 SNPE、TFLite 等）只需一个模型文件，则调用此接口。

API	build_interpretper_from_path
描述	通过模型文件的路径名称，直接创建对应的解释器对象
参数	model_path：模型文件的路径名称
返回	正常：Interpreter 对象实例
返回	异常：None

python

# 传入 Model 文件路径来构建解释器，返回值为 None 则报错
interpreter = aidlite.InterpreterBuilder.build_interpretper_from_path(path=r"./640.dlc")
if interpreter is None:
    print("Create Interpreter failed !")
    return False

构建解释器 build_interpretper_from_path()

构建推理解释器对象，可以提供不同的参数，最简单的就是只提供模型文件的路径和名称。如果模型框架（如 NCNN、TNN 等）涉及两个模型文件，则调用此接口。

API	build_interpretper_from_path
描述	通过模型文件的路径名称，直接创建对应的解释器对象
参数	model_struct_path：模型结构文件的路径名称
参数	model_weight_path：模型权重参数文件的路径名称
返回	正常：Interpreter 对象实例
返回	异常：None

构建解释器 build_interpretper_from_model()

构建推理解释器对象，除了提供模型文件路径之外，也可以提供 Model 对象，这样不仅可以设置模型文件的路径名称，还可以设置模型的输入输出数据类型和输入输出数据的 shape 信息。

API	build_interpretper_from_model
描述	通过传入 Model 对象来创建对应的解释器对象。而 Config 相关涉及的参数都使用默认值
参数	model：Model 类型的对象，包含模型相关的数据
返回	正常：Interpreter 对象实例
返回	异常：None

python

# 传入 Model 对象来构建解释器，返回值为 None 则报错
interpreter = aidlite.InterpreterBuilder.build_interpretper_from_model(model=model)
if interpreter is None:
    print("Create Interpreter failed !")
    return False

构建解释器 build_interpretper_from_model_and_config()

构建推理解释器对象，除了前述的两种方式，也可以同时提供 Model 对象和 Config 对象，这样不仅可以提供模型相关信息，还可以提供更多的运行时配置参数。

API	build_interpretper_from_model_and_config
描述	通过传入 Model 对象和 Config 来创建对应的解释器对象。
参数	model：Model 类型的对象，包含模型相关的数据
参数	config：Config 类型的对象，包含一些配置参数
返回	正常：Interpreter 对象实例
返回	异常：None

python

# 传入 Model 和 Config 对象来构建解释器，返回值为 None 则报错
interpreter = aidlite.InterpreterBuilder.build_interpretper_from_model_and_config(model=model, config=config)
if interpreter is None:
    print("Create Interpreter failed.")
    return False

其他方法

获取 SDK 版本信息 get_library_version()

API	get_library_version
描述	用于获取当前 Aidlite-SDK 的版本相关信息
参数	无
返回	返回值为当前 Aidlite-SDK 的版本信息字符串

获取 Python SDK 版本信息 get_py_library_version()

API	get_py_library_version
描述	用于获取当前 Py-Aidlite-SDK 的版本相关信息
参数	无
返回	返回值为当前 Py-Aidlite-SDK 的版本信息字符串

设置日志级别 set_log_level()

API	set_log_level
描述	设置当前的最低日志级别，输出大于等于该日志级别的日志数据。默认打印输出 WARNING 及以上级别的日志。
参数	log_level：类型 LogLevel 的取值
返回	默认返回 0 值

日志输出到标准终端 log_to_stderr()

API	log_to_stderr
描述	设置日志信息输出到标准错误终端
参数	无
返回	默认返回 0 值

日志输出到文本文件 log_to_file()

API	log_to_file
描述	设置日志信息输出到指定的文本文件
参数	path_and_prefix：日志文件的存放路径与名称前缀
参数	also_to_stderr：标识是否同时输出日志到 stderr 终端，默认值为 False
返回	正常：0
返回	异常：非 0

获取最近日志信息 last_log_msg()

API	last_log_msg
描述	获取当前某个日志级别的最新日志信息，通常获取最新的错误信息
参数	log_level：类型 LogLevel 的取值
返回	最新日志信息

AidLite Python 示例程序

💡注意

使用 Aidlite-SDK 开发需要了解如下事项：

Aidlite 的功能实现分为两个部分，软件包 Aidlite-SDK 是为开发者提供接口的，而不同框架的推理功能则是由不同的后端软件包（如Aidlite-QNN236等）提供。

示例程序由后端推理软件包提供，示例程序随软件包安装，如 Aidlite-QNN236 的示例程序路径如下：

cpp 示例程序路径：/usr/local/share/aidlite/examples/aidlite_qnn236/cpp/
Python 示例程序路径：/usr/local/share/aidlite/examples/aidlite_qnn236/python/

以后端程序 Aidlite-QNN236 为例，其 Python 示例程序大致包含如下几个部分：

初始化配置与模型加载

如果开发者对模型推理有所了解，或者是看过 Aidlite API 接口文档，那么必然会知道，在真正实现推理操作之后，通常都需要设置一些关键信息，然后再为推理框架加载所需的模型文件。

python

# 此处可以使用不同数据精度的模型文件
resource_dir = "../data/qnn_yolov5_multi"
model_name = "cutoff_yolov5s_640_sigmoid_w8a8.qnn236.ctx.bin"

# 创建 Model 对象实例，可以设置模型相关的信息
model_path = os.path.join(resource_dir, model_name)
model = aidlite.Model.create_instance(model_path)
if model is None:
    print("Create model failed.")
    return False

# 创建 Model 对象实例
config = aidlite.Config.create_instance()
if config is None:
    print("Create config failed.")
    return False

# 配置一些运行时所需要的参数
config.framework_type = aidlite.FrameworkType.TYPE_QNN236
if acc_type == 1:
    config.accelerate_type = aidlite.AccelerateType.TYPE_CPU
elif acc_type == 2:
    config.accelerate_type = aidlite.AccelerateType.TYPE_GPU
elif acc_type == 3:
    config.accelerate_type = aidlite.AccelerateType.TYPE_DSP
else:
    return show_help_prompt()

# 创建推理所需的解释器对象
interpreter = aidlite.InterpreterBuilder.build_interpretper_from_model_and_config(model, config)
if interpreter is None:
    print("build_interpretper_from_model_and_config failed.")
    return None

# 完成资源初始化的操作
result = interpreter.init()
if result != 0:
    print("interpreter init failed.")
    return False

# 完成模型的加载操作
result = interpreter.load_model()
if result != 0:
    print("interpreter load model failed.")
    return False

在上述示例代码中，开发者可以提供 不同精度的模型文件（包括非量化的 float32 模型、量化的 int8 模型等） 来创建 Model 对象。相应的，开发者也需要为此指定不同的加速硬件，也就是需要设置 Config 对象的 accelerate_type 成员变量的值。利用 Model 对象和 Config 对象创建推理所需的解释器，然后即可完成所需的初始化、模型加载的操作。

输入数据的前处理

一般来讲，模型推理所需的输入数据需要满足一定的要求，所以就需要对已有的输入数据做一些处理，使其可以被模型利用。

python

# 使用 Opencv 读取图片数据
frame = cv2.imread(image_path)

# 输入图像的前处理操作
# ... ...

# 取得 Opencv Mat 对象所含的图像数据。
input_tensor_data = frame.data

前处理部分的内容究竟怎么实现，完全取决于开发者使用的模型需要什么样的输入数据。 示例程序中的前处理操作，就是针对我们示例程序提供的模型文件所适配的。

完成推理操作

前处理操作完成之后，就可以将得到的数据传入给解释器，解释器就可以利用这些数据来完成推理任务，而在推理完成之后，开发者需要取出推理操作的结果数据。

python

# 将前处理完成后的数据传递给解释器对象
# result = interpreter.set_input_tensor(0, input_tensor_data)
result = interpreter.set_input_tensor("images", input_tensor_data)
if result != 0:
    print("interpreter set_input_tensor() failed.")
    return False

# 执行推理过程
result = interpreter.invoke()
if result != 0:
    print("interpreter set_input_tensor() failed.")
    return False

# 模型有三个输出 Tensor ，所以需要获取三个 Tensor 的输出数据。
# stride8 = interpreter.get_output_tensor(0)
stride8 = interpreter.get_output_tensor("_326")
if stride8 is None:
    print("sample : interpreter->get_output_tensor() 0 failed.")
    return False

# stride16 = interpreter.get_output_tensor(1)
stride16 = interpreter.get_output_tensor("_364")
if stride16 is None:
    print("sample : interpreter->get_output_tensor() 1 failed.")
    return False

# stride32 = interpreter.get_output_tensor(2)
stride32 = interpreter.get_output_tensor("_402")
if stride32 is None:
    print("sample : interpreter->get_output_tensor() 2 failed.")
    return False

前处理完成之后，就可以将输入数据给到解释器，由解释器完成推理任务，进而返回结果数据。

💡注意

需要说明的是，对于 SNPE/QNN 两个推理框架来说，输入输出的数据只能是 float32 数据类型。

不管模型本身的输入 Tensor 是什么精度的数据类型，使用 set_input_tensor() 接口时传入的数据必须在前处理阶段处理成 float32 类型的数据；同理，也不管模型本身的输出 Tensor 是什么精度的数据类型，使用 get_output_tensor() 接口时获取到的数据，也都是按 float32 数据类型存储的结果。

如果是其他的推理框架，那么前处理与后处理的数据类型，则与模型文件的输入输出 Tensor 的数据类型保持一致。

输出数据的后处理

一般来讲，模型推理结束之后，输出的结果数据不会是我们最终想要的数据，还需要做进一步的加工才是开发者所需要的，这就是后处理操作。

python

# 输出数据的后处理操作
# ... ...

与前处理操作同理，后处理部分的内容究竟怎么实现，完全取决于开发者需要对推理结果数据做什么样的分析处理。 示例程序中的后处理操作，就是针对我们示例程序提供的模型文件所适配的。

资源释放

当开发者不再需要 Aidlite 解释器来完成推理任务时，可以显示地完成资源释放操作。

python

result = interpreter.destory()
if result != 0:
    print("interpreter set_input_tensor() failed.")
    return False

至此，已经展示了使用 Aidlite 做模型推理的全部流程，开发者只需要根据自己的模型做对应的修改，即可完成推理任务。

AidLite Python 接口文档 ​

模型数据类型 class DataType ​

推理实现类型 class ImplementType ​

模型框架类型 class FrameworkType ​

推理加速硬件类型 class AccelerateType ​

日志级别 class LogLevel ​

输入输出信息类.class TensorInfo ​

成员变量列表 ​

模型类 class Model ​

创建实例对象 create_instance() ​

创建实例对象 create_instance() ​

设置模型属性 set_model_properties() ​

获取模型路径 get_model_absolute_path() ​

获取模型路径 get_model_struct_absolute_path() ​

获取模型路径 get_model_weight_absolute_path() ​

配置类 class Config ​

创建实例对象 create_instance() ​

成员变量列表 ​

上下文类 class Context ​

构造函数 Context() ​

获取 Model 成员变量 get_model() ​

获取 Config 成员变量 get_config() ​

解释器类 class Interpreter ​

创建实例对象 create_instance ​

初始化 init() ​

加载模型 load_model() ​

获取输入Tensor详情 get_input_tensor_info() ​

获取输出Tensor详情 get_output_tensor_info() ​

设置输入数据 set_input_tensor() ​

执行推理 invoke() ​

获取输出数据 get_output_tensor() ​

资源释放 destory() ​

解释器创建类 class InterpreterBuilder ​

构建解释器 build_interpretper_from_path() ​

构建解释器 build_interpretper_from_path() ​

构建解释器 build_interpretper_from_model() ​

构建解释器 build_interpretper_from_model_and_config() ​

其他方法 ​

获取 SDK 版本信息 get_library_version() ​

获取 Python SDK 版本信息 get_py_library_version() ​

设置日志级别 set_log_level() ​

日志输出到标准终端 log_to_stderr() ​

日志输出到文本文件 log_to_file() ​

获取最近日志信息 last_log_msg() ​

AidLite Python 示例程序 ​

初始化配置与模型加载 ​

输入数据的前处理 ​

完成推理操作 ​

输出数据的后处理 ​

资源释放 ​

AidLite Python 接口文档

模型数据类型 class DataType

推理实现类型 class ImplementType

模型框架类型 class FrameworkType

推理加速硬件类型 class AccelerateType

日志级别 class LogLevel

输入输出信息类.class TensorInfo

成员变量列表

模型类 class Model

创建实例对象 create_instance()

创建实例对象 create_instance()

设置模型属性 set_model_properties()

获取模型路径 get_model_absolute_path()

获取模型路径 get_model_struct_absolute_path()

获取模型路径 get_model_weight_absolute_path()

配置类 class Config

创建实例对象 create_instance()

成员变量列表

上下文类 class Context

构造函数 Context()

获取 Model 成员变量 get_model()

获取 Config 成员变量 get_config()

解释器类 class Interpreter

创建实例对象 create_instance

初始化 init()

加载模型 load_model()

获取输入Tensor详情 get_input_tensor_info()

获取输出Tensor详情 get_output_tensor_info()

设置输入数据 set_input_tensor()

执行推理 invoke()

获取输出数据 get_output_tensor()

资源释放 destory()

解释器创建类 class InterpreterBuilder

构建解释器 build_interpretper_from_path()

构建解释器 build_interpretper_from_path()

构建解释器 build_interpretper_from_model()

构建解释器 build_interpretper_from_model_and_config()

其他方法

获取 SDK 版本信息 get_library_version()

获取 Python SDK 版本信息 get_py_library_version()

设置日志级别 set_log_level()

日志输出到标准终端 log_to_stderr()

日志输出到文本文件 log_to_file()

获取最近日志信息 last_log_msg()

AidLite Python 示例程序

初始化配置与模型加载

输入数据的前处理

完成推理操作

输出数据的后处理

资源释放