androidndk配置环境变量

‘壹’ Android Studio cmake编译FFmpeg以及Jni调用

NDK是一系列工具集，帮助开发者快速开发C（或C++）动态库，并能自动打包为APK，减轻开发人员的打包工作。它集成交叉编译器，提供mk文件隔离差异，只需修改mk文件，就能创建出.so文件，自动打包与Java应用。JNI是Java与C/C++沟通机制，用于调用本地代码，实现高效性。Android Studio 2.2后引入cMake新开发方式，简化NDK开发与调试。以下步骤完成Android下FFmpeg编译与JNI调用。

首先，在Ubuntu中创建并配置FFmpegOnAndroid目录，进行NDK安装与配置。

1. 下载并解压Android NDK，配置环境变量。

2. 编译FFmpeg源代码，修改configure文件以适应Android平台。

3. 编写build.sh脚本编译FFmpeg，执行脚本完成编译。

编译完成后，将FFmpeg库文件移植至Android平台。

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

2. 在工程中创建native-lib.cpp文件，实现Java与C++间调用。

3. 配置CMakeLists.txt文件，指定库文件路径。

4. 修改jni部分代码，集成FFmpeg功能。

5. 实现Java调用代码，展示FFmpeg使用效果。

通过此过程，可以在Android设备上使用FFmpeg进行音视频处理。详细源码可参考开源仓库：[GitHub源码下载地址](DaveBobo/JniFFmpeg)

相关参考文章包括：

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...)

‘贰’ 基于高通SA8295平台下的QNN环境配置及模型转换

在进行基于高通SA8295平台下的QNN环境配置及模型转换时，首先需从高通QPM creat point 网站下载qnn dsk包、hexagon sdk包、以及android ndk包等。

接下来，配置环境变量以确保QNN、TensorFlow和ONNX能够正确运行。例如，设置环境变量ANDROID_NDK_ROOT和QNN_SDK_ROOT，分别指向android ndk和QNN SDK的根目录，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运行所需的环境变量，通过运行相应的脚本实现，例如:

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

此步骤中，通过python查看当前环境变量路径确保正确加载。

配置ONNX环境变量以支持其运行，类似地使用相应的脚本完成设置。

环境变量设置完成后，配置QNX工具链以在QNX环境中运行QNN模型。

为了执行一个自定义操作包的浅层模型，首先编译模型以支持CPU后端，然后构建示例模型，通过QNN SDK生成模型库。

在CPU上运行libqnn_model_float.so模型，使用QNN SDK提供的工具运行模型。

进行CNN模型的转换和执行时，首先将模型转换为.cpp、.bin和.json文件，然后生成对应的动态库（.so文件）。

指定编译器以针对特定架构（如QNX）完成编译，生成模型的量化版本，即生成.cpp、.bin和.json文件。

最终，通过QNN SDK提供的工具运行转换后的模型，并查看模型的检测结果，例如使用python脚本来展示InceptionV3模型的分类结果。