androidndk配置環境變數

『壹』 Android Studio cmake編譯FFmpeg以及Jni調用

NDK是一系列工具集，幫助開發者快速開發C（或C++）動態庫，並能自動打包為APK，減輕開發人員的打包工作。它集成交叉編譯器，提供mk文件隔離差異，只需修改mk文件，就能創建出.so文件，自動打包與Java應用。JNI是Java與C/C++溝通機制，用於調用本地代碼，實現高效性。Android Studio 2.2後引入cMake新開發方式，簡化NDK開發與調試。以下步驟完成Android下FFmpeg編譯與JNI調用。

首先，在Ubuntu中創建並配置FFmpegOnAndroid目錄，進行NDK安裝與配置。

1. 下載並解壓Android NDK，配置環境變數。

2. 編譯FFmpeg源代碼，修改configure文件以適應Android平台。

3. 編寫build.sh腳本編譯FFmpeg，執行腳本完成編譯。

編譯完成後，將FFmpeg庫文件移植至Android平台。

1. 使用最新Android Studio2.3.3，安裝cmake和ndk，新建包含C++支持的工程。

2. 在工程中創建native-lib.cpp文件，實現Java與C++間調用。

3. 配置CMakeLists.txt文件，指定庫文件路徑。

4. 修改jni部分代碼，集成FFmpeg功能。

5. 實現Java調用代碼，展示FFmpeg使用效果。

通過此過程，可以在Android設備上使用FFmpeg進行音視頻處理。詳細源碼可參考開源倉庫：[GitHub源碼下載地址](DaveBobo/JniFFmpeg)

相關參考文章包括：

1. [CSDN博客文章](blog.csdn.net/eastmoon5...)

2. [CSDN博客文章](blog.csdn.net/dagaozi/a...)

3. [CSDN博客文章](blog.csdn.net/hejjunlin...)

4. [CSDN博客文章](cnblogs.com/wanggang123...)

『貳』 基於高通SA8295平台下的QNN環境配置及模型轉換

在進行基於高通SA8295平台下的QNN環境配置及模型轉換時，首先需從高通QPM creat point 網站下載qnn dsk包、hexagon sdk包、以及android ndk包等。

接下來，配置環境變數以確保QNN、TensorFlow和ONNX能夠正確運行。例如，設置環境變數ANDROID_NDK_ROOT和QNN_SDK_ROOT，分別指向android ndk和QNN SDK的根目錄，如下所示：

$ export ANDROID_NDK_ROOT=/home/xxx/automotive_qnn_SDK/android-ndk-r19c-linux-x86_64/android-ndk-r19c/

export QNN_SDK_ROOT=/home/xxx/automotive_qnn_SDK/qnn-v1.13.0.220510062245_36458/

此外，配置Tensorflow運行所需的環境變數，通過運行相應的腳本實現，例如:

source ${QNN_SDK_ROOT}/target/x86_64-linux-clang/bin/envsetup.sh -t

此步驟中，通過python查看當前環境變數路徑確保正確載入。

配置ONNX環境變數以支持其運行，類似地使用相應的腳本完成設置。

環境變數設置完成後，配置QNX工具鏈以在QNX環境中運行QNN模型。

為了執行一個自定義操作包的淺層模型，首先編譯模型以支持CPU後端，然後構建示例模型，通過QNN SDK生成模型庫。

在CPU上運行libqnn_model_float.so模型，使用QNN SDK提供的工具運行模型。

進行CNN模型的轉換和執行時，首先將模型轉換為.cpp、.bin和.json文件，然後生成對應的動態庫（.so文件）。

指定編譯器以針對特定架構（如QNX）完成編譯，生成模型的量化版本，即生成.cpp、.bin和.json文件。

最終，通過QNN SDK提供的工具運行轉換後的模型，並查看模型的檢測結果，例如使用python腳本來展示InceptionV3模型的分類結果。