### 1 关键字 dynamic shape; MindSpore Lite; input tensor；模型编译失败； ### 2 问题描述 模型decoder_model.ms是动态shape模型。在使用MindSpore Lite 1.8.1 linux版本发布件中的benchmark工具，对whisper tiny转换的decoder_model

开发者手机 AI能力构建 本文以开发者手机AI特性为例，讲述Openharmony上AI应用如何构建。 一、Openharmony AI架构OpenHarmony AI子系统的部件包括： MindSpore Lite AI推理框架，为AI应用开发提供统一的AI推理接口，可以完成在手机等端侧设备中的模型推理过程；Neural Ne

开发者手机目标识别demo 功能简介 该应用是在Openharmony 4.0系统上开发的一个目标识别的AI应用，旨在从上到下打通Openharmony AI子系统，展示Openharmony系统的AI能力，并为开发者提供AI应用的demo。 应用程序通过相机进行预览，对预览画面中的物体进行目标识别，目前该应用程序支持识别100

开发者手机目标识别模型的部署 简介 本文讲述开发者手机上目标识别应用的模型部署的步骤，在模型部署前需要构建好能够对100个分类目标识别的模型，并且量化为uint8的数据类型，详情参考构建开发者手机目标识别应用的模型 模型部署 1、量化后的uint8模型需要转换为芯片支持的离线模型格式。开发者手机使用的是展锐7885 NPU芯片，因此需要转换为展锐unm格式的离线模型。具体转换命令见模型剪除与量化

构建开发者手机目标识别应用的模型 介绍 本项目基于yolov5神经网络，构建100个分类目标检测模型， 再将模型量化并转换成展锐模型，在7885芯片使用。 安装教程 conda创建一个python==3.8的环境, 并启用。 conda create -n ai_doc python==3.8 -y conda activate detect 安装yolov5依赖项。 cd yolov5-mast

模型剪除与量化 作者：chenhaoming@openvalley.net 本文讲述yolov5的onnx模型推理、模型后处理部分剪除、模型量化、转换成展锐模型流程 一、剪除模型后处理部分 克隆工具源代码 git clone git@github.com:ZhangGe6/onnx-modifier.git 安装环境 cd onnx-modifier pip install -r require

yolo数据准备 作者：chenhaoming@openvalley.net 本文讲述coco数据处理成yolo格式，并且从OpenImage-V7数据集中补充分类到coco数据集的方法。用到DataHandler目录下的工具。coco2yolo.py： 将coco数据集标注文件处理成yolo格式。copy_images.py： 批量拷贝图片。data_convert.py： 将OpenImag

关键字 系统死机；panic；reboot; 问题描述 系统版本：OpenHarmony 3.2 Release 问题现象：进行稳定性的开关机测试，概率出现开机失败的情况，并且卡死在启动画面。 问题原因 正常机制系统正常开关机，没有卡死现象。异常机制开关机测试中，概率出现reboot失败

关键字 DHCP；DHCP client；获取IP慢； 问题描述 系统版本：OpenHarmony 3.2 Release 问题现象：设备网口为自动获取IP模式，通过网线接入网络进行DHCP拨号，网卡获取到IP的时间较长，大概在60~120秒才能获取到IP。 问题原因 正常机制 一般网卡

1 关键字 power_supply; battery; 设备属性文件；CPU占用； 2 问题描述 拔掉电池使用USB供电重启系统后，power_host进程的CPU占用较高，每5秒钟CPU的占用在0%~17%之间跳跃。对比插上电池重启系统的场景，power_host进程的CPU占用反而比较低，CPU占用不超过0.