在高通跃龙IQ-9075上部署端侧OCR工业仪表识别系统(2): QNN编译与模型转换

上一篇我们在PC端完成了PP-OCRv4检测和识别模型的ONNX导出、图优化和shape固定。这篇进入实战环节——用QNN SDK把ONNX模型编译成高通跃龙IQ-9075 NPU能跑的格式，并生成Context缓存加速加载。

时间：2026-05-11 09:59:10

在高通跃龙IQ-9075上部署端侧OCR工业仪表识别系统(1): PP-OCRv4模型导出与ONNX转换

做工业项目的时候经常遇到一个需求——现场的压力表、温度计、流量计这些传统仪表没有数字输出接口，但产线又要求把读数采集上来做数据分析。以前的做法是装个摄像头，把图传到服务器上跑OCR，但延迟和带宽成本一直是痛点。这次我们在高通跃龙IQ-9075平台上把PaddleOCR的PP-OCRv4模型跑通了，从拍摄到出识别结果全程在板端完成，不依赖云端。整个过程踩了不少坑，记录下来供大家参考。

时间：2026-05-09 10:07:59

在高通跃龙IQ-9100上部署Docker(2): 容器化应用实战

在上篇文章中，我们已经在高通跃龙IQ-9100上完成了Docker的环境准备与安装。无论是通过官方一键脚本还是二进制包手动安装，Docker服务都已成功运行，并通过docker run hello-world验证了基本功能。接下来，本文将在此基础上，真正把Docker用起来——在容器中跑起Nginx Web服务和Mosquitto MQTT Broker，并引入docker-compose实现多服务一键编排。

时间：2026-05-08 10:01:19

在高通跃龙IQ-9100上部署Docker(1): 环境准备与安装

高通跃龙IQ-9100是ARM64架构 ，支持的系统有Ubuntu和Linux，Docker官方对ARM64支持得挺成熟，所以理论上没问题。不过有一点要注意：如果你用的是Linux OS，Yocto自己打的系统镜像，默认可能没带Docker，得在recipe里加一层；如果是厂商提供的Ubuntu/Debian镜像，那就没问题了。本文实验中使用的是Thundercomm的高通IQ-9100开发板， 系统是Linux OS。

时间：2026-05-07 09:30:45

高通端侧AI实战(5): 基于骁龙平台的实时AI语义分割系统开发全流程

本文以一个真实的工业场景——工厂车间安全区域监控为案例，完整演示从模型选型、训练、量化部署到Android应用集成的全流程。最终实现在骁龙8 Gen3手机上30FPS实时语义分割。

时间：2026-05-06 10:11:15

高通端侧AI实战(4): QNN模型量化深度指南与Hexagon NPU性能调优

在前几篇文章中，我们多次提到“量化”和“NPU加速”，但大多是一笔带过。本文将深入量化技术的细节，以及如何从Hexagon NPU架构 层面理解和优化模型推理性能。

时间：2026-04-29 09:57:40

高通端侧AI实战(3): 骁龙平台端侧大模型部署实战

时间：2026-04-28 07:52:37

大语言模型系列(7): Qwen3-8B-8K模型端侧部署指南

本文介绍了基于 ai-engine-direct-helper 项目在 Windows 和Android平台上部署Qwen3-8B-8K模型的步骤，提供服务启动与 OpenAI 兼容接口调用方案。

时间：2026-04-28 07:45:44

高通端侧AI实战(2): YOLOv8在骁龙平台的部署实战

在第1篇中，我们学习了高通端侧AI的全景生态，包括Hexagon NPU架构、QNN SDK环境搭建，并成功运行了第一个MobileNetV2分类推理程序。本文将在其基础上，以YOLOv8目标检测为例，深入实战部署流程。

时间：2026-04-27 09:30:08

高通端侧AI实战(1): 高通端侧AI全景解析与QNN SDK实战入门

本文详解高通端侧 AI，对比云端突出低延迟、隐私、离线优势。解析 Hexagon NPU 架构，介绍 QNN SDK 全流程部署，含环境搭建、模型转换、C++ 推理实战，说明多后端选型，附踩坑调试方法，覆盖从原理到落地的完整实践。

时间：2026-04-23 09:23:51

基于高通跃龙IQ-9100的边端协同智能客服系统(3): 云端接入、系统集成与优化实践

在前两篇文章中，我们介绍了边端协同架构的设计思路，并在高通跃龙IQ-9100上完成了Whisper ASR和VITS TTS模型的部署。现在，我们将接入DeepSeek云端大模型，构建完整的客服系统，并讨论性能优化与部署最佳实践。

时间：2026-04-22 09:38:59