> ## Documentation Index
> Fetch the complete documentation index at: https://dragonwingdocs.qualcomm.com/llms.txt
> Use this file to discover all available pages before exploring further.

# QIM SDK 概述

> 使用 QIM SDK 构建 AI 管线的分步指南

<Note>
  \*\*开始之前：\*\*必须已安装 QIM SDK——请参阅[安装指南](../installation)。
</Note>

# 视觉 AI 管线的 5 个基本阶段

下图展示了典型视觉 AI 管线的五个阶段。<br />
⚡ 高亮显示的步骤由 QIM SDK 提供硬件加速。

```mermaid theme={null}
flowchart LR
    classDef hw fill:#31017D,color:#ffffff,stroke:#1a3aad,font-weight:bold,min-width:160px,padding:12px
    A["Step 1\nData Source"] --> B["⚡ Step 2\nAI Preprocessing"] --> C["⚡ Step 3\nAI Inference"] --> D["⚡ Step 4\nPost-Processing"] --> E["Step 5\nUse AI Metadata"]
    class A,B,C,D,E hw
```

<Steps>
  <Step title="数据源">
    从所选媒体源捕获帧，确保兼容性和高效的数据采集。
  </Step>

  <Step title="AI 预处理">
    通过调整大小、重新格式化以及将像素数据归一化为模型期望的张量格式，为 AI 模型准备原始帧。QIM SDK 使用 [qtimlvconverter](../plugin-reference/qtimlvconverter) 插件加速这一步骤，该插件直接在 GPU 上执行色彩空间转换和张量布局变换——在推理之前消除 CPU 瓶颈。
  </Step>

  <Step title="AI 推理">
    将准备好的张量输入 AI 模型以生成预测。QIM SDK 使用 [qtimltflite](../plugin-reference/qtimltflite) 和 [qtimlqnn](../plugin-reference/qtimlqnn) 插件加速推理，这些插件将计算委托给设备端的 NPU 或 HTP——在不增加 CPU 负担的情况下提供低延迟、高吞吐量的推理。
  </Step>

  <Step title="后处理">
    将模型的输出张量解码为可操作的结果——例如边界框、类别标签、置信度分数或分割掩码。QIM SDK 的 [qtimlpostprocess](../plugin-reference/qtimlpostprocess) 插件解读模型输出并将其格式化为元数据，随后可以使用 GPU 加速的 [qtivoverlay](../plugin-reference/qtivoverlay) 插件将其渲染到视频帧上。
  </Step>

  <Step title="使用 AI 元数据">
    使用结构化的 AI 元数据输出来驱动下游工作流。常见应用包括：

    * **视频叠加** — 将边界框、标签或掩码直接绘制在帧上，实现实时可视化
    * **流增强** — 将元数据嵌入 RTSP 或 WebRTC 流中，用于远程监控
    * **云/边缘消息传递** — 发布到 MQTT、Kafka 或其他后端，用于存储、告警或进一步分析
    * **自动化操作** — 根据检测结果触发事件或控制外部系统
  </Step>
</Steps>