京东金融鸿蒙端部署AI超分模型实践
内容提要
本文介绍了京东金融App在鸿蒙端成功部署Real-ESRGAN-General-x4v3超分辨率模型的过程，解决了ONNX模型转换、张量格式处理及基于CANN Kit的部署问题。未来，随着技术进步，端侧设备将具备更强的智能推理能力，推动人工智能服务的普及。
关键要点
-
京东金融App成功在鸿蒙端部署Real-ESRGAN-General-x4v3超分辨率模型，提升图片清晰度。
-
部署过程中解决了ONNX模型转换、张量格式处理及基于CANN Kit的部署问题。
-
鸿蒙系统不支持ONNX框架，需使用华为自研的CANN架构进行模型部署。
-
模型转换为OM离线模型，移动端AI程序直接读取进行推理。
-
未来端侧设备将具备更强的智能推理能力，推动人工智能服务的普及。
延伸解读
技术挑战与解决方案
京东金融在鸿蒙端成功部署AI超分模型的过程中，面临了ONNX框架不被支持的技术瓶颈。为此，团队采用了华为自研的CANN架构进行模型转换和部署。这一过程不仅需要技术团队的自主探索，还需解决张量格式的转换问题，显示出在新平台上部署AI模型的复杂性和挑战性。
未来发展趋势
随着芯片算力的提升和模型压缩技术的进步，未来的端侧设备将具备更强的智能推理能力。这将推动人工智能服务的普及，使得移动设备能够实现更复杂的任务，如实时个性化学习和隐私保护计算，进而改变人机交互的方式，向主动感知和服务的方向发展。
用户体验的提升
通过部署超分辨率模型，京东金融App能够显著提升用户上传图片的清晰度。这不仅改善了用户的视觉体验，还增强了平台的信任感，降低了因信息模糊引发的误解风险。这一技术的应用将直接影响用户的留存率和互动意愿，具有重要的商业价值。
延伸问答
京东金融App在鸿蒙端部署了什么模型？
京东金融App在鸿蒙端成功部署了Real-ESRGAN-General-x4v3超分辨率模型。
鸿蒙系统如何支持AI模型的部署？
鸿蒙系统不支持ONNX框架，需使用华为自研的CANN架构进行模型部署。
在部署过程中遇到了哪些技术难题？
部署过程中解决了ONNX模型转换、张量格式处理及基于CANN Kit的部署问题。
如何将ONNX模型转换为OM离线模型？
需要使用CANN Kit将ONNX模型转换为OM离线模型，支持的ONNX opset版本为7到18。
未来端侧设备的智能推理能力将如何发展？
未来端侧设备将具备更强的智能推理能力，推动人工智能服务的普及。
超分辨率模型的部署对用户体验有什么影响？
超分辨率模型的部署能够提升评论区、内容详情页等核心场景的图片清晰度，从而优化用户留存与互动意愿。
