在硬件迁移过程中，损失一天时间最快的方式就是从最难的模型开始。 如果你正在从 Jetson 迁移到 Dragonwing，我们的最佳实践是在把你的生产 TensorRT 应用、自定义 CUDA 预处理和手工调优的检测器搬过来之前，先从一块已知良好的开发板和一个已知良好的模型开始：
目标设备
同样的第 0 天模式一般适用于 Dragonwing EVK。具体的型号可用性、包名和性能会因开发板和 SoC 而异，所以请在 AI Hub 中选择正确的目标，并使用匹配的 Dragonwing 设置页面。 对于本文中的示例，先想到”Dragonwing EVK”。本系列使用 IQ-9075/IQ-8275 作为 EVK 名称，使用 IQ-9/IQ-8 作为家族简称。IQ-8 和 IQ-9 是具体示例：
必需软件包文档：
那些页面涵盖了 Ubuntu 的烧录、串口控制台、网络、SSH、显示和包安装。如果你的团队使用 QLI / Qualcomm Linux，请改用匹配的 QLI 设置流程，并保持相同的验证检查点。本文从 EVK 已经可访问且必需的 AI 运行时包已安装之后开始。
步骤 1：从一台就绪的 EVK 开始
对于本文，假设你已经具备：步骤 2：验证 AI 运行时层
在运行你自己的模型之前，先验证必需包设置中的 Qualcomm AI 运行时组件是否存在。步骤 3：配置 AI Hub 访问
AI Hub 是获取已知良好模型和设备特定工件最简单的来源。根据你使用的工作流，从主机或从设备配置客户端。在 Ubuntu 24.04 上，使用虚拟环境而不是安装到系统 Python 中：步骤 4：使用 GenieX 运行一条已知良好的 LLM 路径
对于第 0 天的 LLM 验证，我们建议从 GenieX 快速入门 开始。 GenieX 为你提供本地 LLM/VLM 推理的 Qualcomm 面向开发者路径：CLI、Python SDK、Linux ARM64 上的 Docker 以及一个与 OpenAI 兼容的本地服务器。在底层，它可以使用两种运行时：
在 Linux ARM64 / Dragonwing 上，请遵循 GenieX Linux 安装指南。
基本验证检查点是：
llama_cpp 路径运行一个 GGUF 模型，同样对照你版本的 Hugging Face ID 和精度进行验证：
Q4_0 是通常用于 Hexagon NPU 支持的第 0 天选择。
对于应用集成，有用的冒烟测试是本地服务器：
/v1/chat/completions API。这在迁移期间很重要，因为许多 Jetson 演示已经与本地 LLM 服务通信。如果应用能讲与 OpenAI 兼容的 HTTP，那么把模型主机迁到 Dragonwing EVK 可能只是一次服务 URL 变更，而不是应用重写。
原始 llama.cpp 仍然对高级调试和模型实验有用，但对于这条第 0 天的 LLM 路径，GenieX 应该是首要推荐。
步骤 5：运行一条已知良好的视觉路径
对于第一次视觉运行，使用 Dragonwing AI Hub 或 LiteRT 示例，而不是你自己的自定义检测器。 推荐的起始页： AI Hub 页面用轻量级人脸检测作为端到端示例。LiteRT 页面展示了使用 QNN 委托的核心模式。 一个简单的 LiteRT 冒烟测试是通过benchmark_model 用 QNN 委托运行一个已安装的量化模型。在本系列使用的 IQ-9075 实验室镜像上，已安装的人脸检测模型位于 /etc/models 下：
- 在 AI Hub 中为正确的芯片组选择模型。
- 优先选择量化模型进行 NPU 执行。
- 检查 AI Hub 示例仓库以了解确切的预处理和后处理。
- 图像布局和缩放是模型特定的：LiteRT 示例常用 NHWC，ONNX 示例常用 NCHW。
- 一些模型有令人意外的预处理细节；请使用该模型对应的确切 AI Hub 示例代码，而不是假设通用的灰度、RGB 或 BGR 处理。
步骤 6：选择你将继续使用的路径
在一个 LLM 冒烟测试和一个视觉冒烟测试都通过之后，为下一个迁移步骤选择运行时通道：
第 0 天的目标不是选择所有生产细节，而是在把 Jetson 模型带过来之前证明开发板、运行时和已知良好模型路径。
这证明了什么，又不能证明什么
这是 Qualcomm 的快速上手通道，并不是”每个 Jetson 模型都能在第 0 天运行”的主张。一个受支持的 AI Hub/GenieX/LiteRT 工件可以让你快速到达首次推理。一个自定义的.pt 模型仍然要走更长的第 3 部分路径：导出、算子兼容性、量化、上下文生成、部署和验证。在比较上手速度时请把这两种体验分开。