U-Net是为生物医学图像分割任务设计的卷积神经网络，由Olaf Ronneberger等人在2015年提出。该模型的名字来源于其U形结构，具有对称的编码器-解码器架构。U-Net的编码器部分通过一系列卷积和下采样操作提取图像的特征，而解码器部分则通过上采样操作逐步恢复空间分辨率，并结合编码器提取的特征图，以精确定位和分割图像中的对象。U-Net的跳跃连接（skip connections）将编码器的特征图直接传递给解码器，从而帮助恢复更多细节。这种设计使得U-Net在医疗图像分割等需要高精度定位的任务中表现出色，同时在其他领域如遥感图像分割、自动驾驶和图像去噪等任务中也得到广泛应用。

源模型

• 输入尺寸: 640x1280
• 参数量: 29.6M
• 模型大小: 118.4M
• 输出尺寸：1x2x640x1280

源模型仓库：U-Net

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/model_farm_{model_name}_aidlite
    
    |__ models # folder where model files are stored

    |__ python # aidlite python model inference example

    |__ cpp # aidlite cpp model inference example

    |__ README.md