<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[极市平台的技术博客]]></title><description><![CDATA[专注计算机视觉前沿资讯和技术干货，微信公众号：极市平台]]></description><link>https://blog.csdn.net/Extremevision</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Extremevision]]></copyright><item><title><![CDATA[议程揭晓｜2026高通×极视角端侧AI开发者技术日启幕]]></title><link>https://blog.csdn.net/Extremevision/article/details/161800035</link><guid>https://blog.csdn.net/Extremevision/article/details/161800035</guid><author>Extremevision</author><pubDate>Mon, 08 Jun 2026 14:34:29 +0800</pubDate><description><![CDATA[6月10日深圳见！]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第6期——直播问题&答疑整理（腾讯）]]></title><link>https://blog.csdn.net/Extremevision/article/details/156386660</link><guid>https://blog.csdn.net/Extremevision/article/details/156386660</guid><author>Extremevision</author><pubDate>Mon, 29 Dec 2025 12:04:06 +0800</pubDate><description><![CDATA[A7：微调fine-tune只是针对model，转化流程不会有变化。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第6期——直播问题&答疑整理（腾讯）]]></title><link>https://blog.csdn.net/Extremevision/article/details/156386672</link><guid>https://blog.csdn.net/Extremevision/article/details/156386672</guid><author>Extremevision</author><pubDate>Mon, 29 Dec 2025 12:03:45 +0800</pubDate><description><![CDATA[A7：微调fine-tune只是针对model，转化流程不会有变化。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第6期——直播问题&答疑整理（腾讯）]]></title><link>https://blog.csdn.net/Extremevision/article/details/156386589</link><guid>https://blog.csdn.net/Extremevision/article/details/156386589</guid><author>Extremevision</author><pubDate>Mon, 29 Dec 2025 12:03:25 +0800</pubDate><description><![CDATA[A7：微调fine-tune只是针对model，转化流程不会有变化。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第6期——直播问题&答疑整理（创达）]]></title><link>https://blog.csdn.net/Extremevision/article/details/156386537</link><guid>https://blog.csdn.net/Extremevision/article/details/156386537</guid><author>Extremevision</author><pubDate>Mon, 29 Dec 2025 11:53:04 +0800</pubDate><description><![CDATA[A1：主要的性能瓶颈出现在 CPU 的前处理与后处理环节。前处理中包含大量 OpenCV 操作，例如颜色空间转换、图像缩放、通道拆分合并等，这些操作都在CPU上执行,对于高分辨率的图像,会消耗大量的计算资源,成为显著的性能瓶颈。后处理同样包含了大量的CPU计算，例如图像缩放、颜色空间转换、数据类型转换与反归一化，这些都对 CPU 压力较大。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第6期——直播问题&答疑整理（创达）]]></title><link>https://blog.csdn.net/Extremevision/article/details/156386477</link><guid>https://blog.csdn.net/Extremevision/article/details/156386477</guid><author>Extremevision</author><pubDate>Mon, 29 Dec 2025 11:52:43 +0800</pubDate><description><![CDATA[A1：主要的性能瓶颈出现在 CPU 的前处理与后处理环节。前处理中包含大量 OpenCV 操作，例如颜色空间转换、图像缩放、通道拆分合并等，这些操作都在CPU上执行,对于高分辨率的图像,会消耗大量的计算资源,成为显著的性能瓶颈。后处理同样包含了大量的CPU计算，例如图像缩放、颜色空间转换、数据类型转换与反归一化，这些都对 CPU 压力较大。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期干货汇总来了——直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858893</link><guid>https://blog.csdn.net/Extremevision/article/details/155858893</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:26:52 +0800</pubDate><description><![CDATA[答复：我们的 QAIRT 是支持自定义算子的，正如第一个问题中提到的，只要模型能够通过TensorFlow，PyTorch 或 ONNX Runtime推理，基本都能转换到 NPU 上来运行。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期（下）]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858858</link><guid>https://blog.csdn.net/Extremevision/article/details/155858858</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:24:31 +0800</pubDate><description><![CDATA[答复：我们的 QAIRT 是支持自定义算子的，正如第一个问题中提到的，只要模型能够通过TensorFlow，PyTorch 或 ONNX Runtime推理，基本都能转换到 NPU 上来运行。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期（上）]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858811</link><guid>https://blog.csdn.net/Extremevision/article/details/155858811</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:23:28 +0800</pubDate><description><![CDATA[答复：没有“不兼容模型”这种说法，理论上所有能够通过TensorFlow，PyTorch 或 ONNX Runtime推理的模型，都可以转换成 QNN 上下文二进制格式并运行在NPU上的。大家容易遇到的比较难处理的问题通常不是模型能不能转换，不是模型能不能跑在NPU上，难点在于如何把模型量化成更小的精度的模型并且能够保证精度不会损失过多。量化成更小的精度意味着可以占用更小的内存，运行更快，但过度优化容易导致精度损失，需要花更多时间去优化，让损失降到合理范围。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期干货汇总来啦——直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858319</link><guid>https://blog.csdn.net/Extremevision/article/details/155858319</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:21:15 +0800</pubDate><description><![CDATA[答复：我们的 QAIRT 是支持自定义算子的，正如第一个问题中提到的，只要模型能够通过TensorFlow，PyTorch 或 ONNX Runtime推理，基本都能转换到 NPU 上来运行。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期干货汇总来啦]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858285</link><guid>https://blog.csdn.net/Extremevision/article/details/155858285</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:02:43 +0800</pubDate><description><![CDATA[答复：通过 LangFlow 调用本地模型，模型本身不会产生额外延迟，但 LangFlow 内部的实现有可能会导致模型的输出不能及时显示到 LangFlow 界面上，这完全取决于 LangFlow 内部的实现。答复：这两个模型，我们在 QAI AppBuilder GitHub (https://github.com/quic/ai-engine-direct-helper) 上正好都有相应的例子，这些例子不需要任何修改，可以直接运行，可以去我们的 GitHub 上获取代码，尝试一下。答复：会有资源竞争。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期（下）]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858262</link><guid>https://blog.csdn.net/Extremevision/article/details/155858262</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:01:52 +0800</pubDate><description><![CDATA[答复：我们的 QAIRT 是支持自定义算子的，正如第一个问题中提到的，只要模型能够通过TensorFlow，PyTorch 或 ONNX Runtime推理，基本都能转换到 NPU 上来运行。答复：请注意， QAI AppBuilder 是专门用来在高通平台的 NPU 上加载模型并进行推理的工作，不支持训练模型或对模型进行蒸馏。坑： 最常见的是算子不支持（导致回退CPU，极其缓慢）和量化掉点（精度损失严重，需校准数据调优）。如果模型结构是自定义的（非主流架构），在 NPU 上部署会不会很困难？]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第5期（上）]]></title><link>https://blog.csdn.net/Extremevision/article/details/155858228</link><guid>https://blog.csdn.net/Extremevision/article/details/155858228</guid><author>Extremevision</author><pubDate>Fri, 12 Dec 2025 16:00:55 +0800</pubDate><description><![CDATA[答复：通过 LangFlow 调用本地模型，模型本身不会产生额外延迟，但 LangFlow 内部的实现有可能会导致模型的输出不能及时显示到 LangFlow 界面上，这完全取决于 LangFlow 内部的实现。大家容易遇到的比较难处理的问题通常不是模型能不能转换，不是模型能不能跑在NPU上，难点在于如何把模型量化成更小的精度的模型并且能够保证精度不会损失过多。量化成更小的精度意味着可以占用更小的内存，运行更快，但过度优化容易导致精度损失，需要花更多时间去优化，让损失降到合理范围。是否能支持实时对话？]]></description><category></category></item><item><title><![CDATA[骁龙大赛第4期干货整理分享——直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155495806</link><guid>https://blog.csdn.net/Extremevision/article/details/155495806</guid><author>Extremevision</author><pubDate>Tue, 02 Dec 2025 14:45:55 +0800</pubDate><description><![CDATA[现在既能支持传统模型，也能支持大模型的转换，调试工具也比之前版本更完善。A4：对于 Stable Diffusion，我们会先检查模型是否也从多头成功转为单头，同时也有一些蒸馏(distillation)策略，可减少生成步骤，从而提升推理速度。Q5：老师，当模型部署到手机上之后，效果和在PC上不一样，咱们的调试工具有没有什么“一键诊断”之类的便捷功能，帮我们快速定位问题？工具能够显示每一层的执行耗时，以及具体的内存读写情况，并以 summary 文件的形式呈现，方便开发者优化。A11：是完全本地化的。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第4期干货来了——直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155495770</link><guid>https://blog.csdn.net/Extremevision/article/details/155495770</guid><author>Extremevision</author><pubDate>Tue, 02 Dec 2025 14:44:37 +0800</pubDate><description><![CDATA[现在既能支持传统模型，也能支持大模型的转换，调试工具也比之前版本更完善。A4：对于 Stable Diffusion，我们会先检查模型是否也从多头成功转为单头，同时也有一些蒸馏(distillation)策略，可减少生成步骤，从而提升推理速度。Q5：老师，当模型部署到手机上之后，效果和在PC上不一样，咱们的调试工具有没有什么“一键诊断”之类的便捷功能，帮我们快速定位问题？工具能够显示每一层的执行耗时，以及具体的内存读写情况，并以 summary 文件的形式呈现，方便开发者优化。A11：是完全本地化的。]]></description><category></category></item><item><title><![CDATA[骁龙大赛技术分享第4期来了]]></title><link>https://blog.csdn.net/Extremevision/article/details/155495513</link><guid>https://blog.csdn.net/Extremevision/article/details/155495513</guid><author>Extremevision</author><pubDate>Tue, 02 Dec 2025 14:42:37 +0800</pubDate><description><![CDATA[现在既能支持传统模型，也能支持大模型的转换，调试工具也比之前版本更完善。A4：对于 Stable Diffusion，我们会先检查模型是否也从多头成功转为单头，同时也有一些蒸馏(distillation)策略，可减少生成步骤，从而提升推理速度。Q5：老师，当模型部署到手机上之后，效果和在PC上不一样，咱们的调试工具有没有什么“一键诊断”之类的便捷功能，帮我们快速定位问题？工具能够显示每一层的执行耗时，以及具体的内存读写情况，并以 summary 文件的形式呈现，方便开发者优化。A11：是完全本地化的。]]></description><category></category></item><item><title><![CDATA[赛题基础，创意就不基础！骁龙大赛的108种打开方式，解锁端侧AI新玩法]]></title><link>https://blog.csdn.net/Extremevision/article/details/155267843</link><guid>https://blog.csdn.net/Extremevision/article/details/155267843</guid><author>Extremevision</author><pubDate>Wed, 26 Nov 2025 11:46:28 +0800</pubDate><description><![CDATA[AI 从“云”走向“端”的时代已经到来，而端侧 AI 的想象力边界，正在由开发者共同定义。2025骁龙人工智能创新应用大赛，围绕 骁龙® 平台，设置了AI PC赛道与智能手机和平板赛道两大主赛道，全面支持从生产力提升到智能服务，从内容创作到行业应用的多维度创新探索。选手需聚焦某一垂直行业的真实需求，利用AI PC强算力、本地推理能力及强隐私保护机制，打造能在企业真实业务中应用的智能工具或系统。我们鼓励大家从“日常中的痛点”、“行业中的缺口”出发，利用AI创造真正好用、好玩、有价值的应用产品。]]></description><category></category></item><item><title><![CDATA[骁龙AI大赛直播二干货汇总]]></title><link>https://blog.csdn.net/Extremevision/article/details/155267725</link><guid>https://blog.csdn.net/Extremevision/article/details/155267725</guid><author>Extremevision</author><pubDate>Wed, 26 Nov 2025 11:43:35 +0800</pubDate><description><![CDATA[摘要：本文整理了骁龙AI PC上使用QAI AppBuilder部署AI模型的常见问题解答。核心内容包括：1）模型优化建议（量化、多硬件协同）；2）性能验证方法（profiling日志分析）；3）CV模型部署注意事项（数据格式处理）；4）本地与云端部署对比（时延/隐私/成本）；5）多模型资源分配机制（多进程隔离）。特别推荐使用量化技术（FP32转INT8/INT4）来平衡模型大小与性能，并提供了Python API的简化集成方案。适用于希望快速在骁龙设备部署轻量化AI应用的开发者。（149字）]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第三期干货汇总——直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155267652</link><guid>https://blog.csdn.net/Extremevision/article/details/155267652</guid><author>Extremevision</author><pubDate>Wed, 26 Nov 2025 11:42:12 +0800</pubDate><description><![CDATA[依托 QAI AppBuilder 的本地 NPU 推理能力，所有数据全程在设备内处理，无需上传云端，彻底规避网络传输中的数据泄露风险，也无需依赖第三方服务器，完全符合隐私保护法规（如 GDPR、个人信息保护法）对数据本地化的要求，从源头筑牢隐私安全防线。以 7B 模型为例，通常需要 4 到 5GB 的内存空间。如果是大语言模型 (LLM) 类应用，且通过 GenieAPIService 实现的，那么迁移工作量较小，主要是把 GUI 客户端改为基于 Android框架的版本，服务端部分可以直接在后台运行。]]></description><category></category></item><item><title><![CDATA[骁龙大赛-技术分享第三期 直播问题&答疑整理]]></title><link>https://blog.csdn.net/Extremevision/article/details/155264568</link><guid>https://blog.csdn.net/Extremevision/article/details/155264568</guid><author>Extremevision</author><pubDate>Wed, 26 Nov 2025 10:40:01 +0800</pubDate><description><![CDATA[依托 QAI AppBuilder 的本地 NPU 推理能力，所有数据全程在设备内处理，无需上传云端，彻底规避网络传输中的数据泄露风险，也无需依赖第三方服务器，完全符合隐私保护法规（如 GDPR、个人信息保护法）对数据本地化的要求，从源头筑牢隐私安全防线。以 7B 模型为例，通常需要 4 到 5GB 的内存空间。如果是大语言模型 (LLM) 类应用，且通过 GenieAPIService 实现的，那么迁移工作量较小，主要是把 GUI 客户端改为基于 Android框架的版本，服务端部分可以直接在后台运行。]]></description><category></category></item></channel></rss>