Wasmtime 中基于 wasi-nn 与 WinML 的图像分类示例fixture 模型、图像与标签文件的准备与使用【免费下载链接】wasmtimeA lightweight WebAssembly runtime that is fast, secure, and standards-compliant项目地址: https://gitcode.com/gh_mirrors/wa/wasmtime导读本文围绕 Wasmtime 仓库中crates/wasi-nn/examples/classification-example-winml示例的 fixture 资源目录fixture/README.md展开说明该目录下三份核心素材——ONNX 分类模型、ImageNet 标签文件与测试图像——的来源、许可证及其在完整推理链路中的具体作用。读者将掌握如何理解并复用这套 fixture 素材、如何在 Windows 上以 WinML 为后端把 wasi-nn 示例从编译一路跑到输出 Top-5 分类结果以及如何替换为自己的模型与图片。一、fixture 目录是什么一份推理示例的“素材清单”crates/wasi-nn/examples/classification-example-winml/fixture/是 WinML 分类示例的输入资源目录目录内除 README.md 外还包含三个被示例代码直接引用的文件文件作用来源许可证mobilenet.onnx用于推理的 MobileNetV2-7 图像分类 ONNX 模型下载自 ONNX 官方模型库onnx/models 仓库的validated/vision/classification/mobilenet路径onnx/models 仓库 LICENSEsynset.txtImageNet 分类标签文件共 1000 行格式为类别ID 标签文本同样下载自 onnx/models 仓库的validated/vision/classification路径onnx/models 仓库 LICENSEkitten.png224×224 的测试输入图像下载自 onnxruntime 官方仓库 WinML 测试图片目录onnxruntime 仓库 LICENSEfixture 的 README 本质上是一份素材溯源清单它明确记录了每个文件的下载来源与许可证归属保证示例可复现、可合规分发。在替换素材时这份清单也提醒使用者关注第三方模型与数据的授权边界。说明以上来源信息以 fixture/README.md 中的记载为准本文不再重复给出外部链接如需二次分发或商用请自行核对 onnx/models 与 onnxruntime 仓库的许可证原文。二、三份素材在推理流程中的分工结合 main.rs示例程序 src/main.rs 的完整链路依次使用这三份素材模型加载wasi_nn::GraphBuilder::new(wasi_nn::GraphEncoding::Onnx, wasi_nn::ExecutionTarget::CPU)创建图构建器通过build_from_files([fixture/mobilenet.onnx])从文件构建计算图再init_execution_context()得到执行上下文。图像读取与预处理fs::read(fixture/kitten.png)读入原始图像字节随后交给preprocess函数见下方说明输出符合模型输入要求的张量。输入张量设置context.set_input(0, wasi_nn::TensorType::F32, [1, 3, 224, 224], tensor_data)指定输入索引 0、数据类型 F32、形状 NCHW 为[1, 3, 224, 224]1 张图、RGB 三通道、224×224 分辨率。推理执行context.compute()触发 WinML 后端评估代码会打印耗时毫秒数。输出读取get_output(0, mut output_buffer[..])读取形状为[1, 1000, 1, 1]的原始 logits对应 ImageNet 1000 类。标签解析读取fixture/synset.txt按行拆分并取第二列及之后的文本作为可读标签例如n01440764 tench, Tinca tinca解析为tench, Tinca tinca最终通过sort_results按概率降序输出 Top-5 结果。图像预处理的关键参数来自模型规范preprocess函数实现了 MobileNet 官方要求的预处理流程let tensor_data preprocess( image_data.as_slice(), 224, 224, [0.485, 0.456, 0.406], // meanImageNet 标准均值 [0.229, 0.224, 0.225], // stdImageNet 标准标准差 );具体步骤为image::load_from_memory解码图像 →resize_exact(224, 224, Triangle)双线性三角滤波缩放 →to_rgb8()转 RGB → 逐像素执行(pixel / 255.0 - mean[channel]) / std[channel]归一化 → 按to_ne_bytes()拆成字节写入以[1, 3, 224, 224]布局的Vecu8。注意图像尺寸、均值/标准差必须与模型训练时一致否则分类精度会显著下降。后处理softmax 与 Top-5 排序postprocess先对[1, 1000, 1, 1]的原始输出做 softmax指数化后按类别轴归一sort_results再把概率与synset.txt标签一一对应并按概率降序排序最后打印前 5 项println!(Found results, sorted top 5: {:?}, sort_results(result, labels)[..5]);三、端到端运行从构建 Wasmtime 到输出分类结果fixture 素材只有在完整示例中才有意义。按照示例目录 README.md 的说明在Windows 10 v1803 及以上环境按以下步骤运行以winml特性构建 Wasmtime在 Wasmtime 仓库顶层目录执行cargo build --release --features wasmtime-wasi-nn/winmlwinml特性在 crates/wasi-nn/Cargo.toml 中定义winml [dep:windows]且属于默认特性组合default [openvino, winml]的一部分它引入了windowscrate使 wasi-nn 可以调用 Windows 的 WinML 机器学习 API。切换到示例目录Wasmtime 顶层记为%PROJECT_DIR%set PROJECT_DIR%CD% cd crates\wasi-nn\examples\classification-example-winml安装wasm32-wasip1Rust 目标示例编译为 WebAssembly无法用宿主目标编译rustup target add wasm32-wasip1编译示例产物是.wasm文件cargo build --release --targetwasm32-wasip1该 crate 依赖见 Cargo.toml为wasi-nn 0.6.0、image启用png特性与ndarrayCargo.toml 中通过独立的[workspace]声明将其排除在 Wasmtime 主工作区之外避免与宿主构建互相干扰。运行示例关键是把fixture目录映射进 WebAssembly 可见的文件空间%PROJECT_DIR%\target\release\wasmtime.exe --dir fixture::fixture -S nn target\wasm32-wasip1\release\wasi-nn-example-winml.wasm--dir fixture::fixture将宿主侧的fixture目录以同名路径暴露给 guest使build_from_files([fixture/mobilenet.onnx])和fs::read(fixture/kitten.png)等路径可解析-S nn开启 wasi-nn 相关的能力开关允许 guest 调用神经网络推理接口。观察输出程序依次打印“Created an execution context.”、输入张量字节数、推理耗时最后给出按概率排序的 Top-5 分类结果。替换模型或图像时的注意事项示例 README 明确指出如需换用其他图片或 ONNX 模型只需修改fixture目录中的文件并同步调整 src/main.rs 中可能受影响的路径。替换时还需留意新模型若输入不是 224×224需同步修改preprocess的目标尺寸与set_input的形状新模型的类别数若不为 1000需同步调整输出缓冲区大小与synset.txt或等价标签文件的行数归一化均值/标准差以模型文档为准MobileNet 使用 ImageNet 的[0.485, 0.456, 0.406]/[0.229, 0.224, 0.225]。四、fixture 素材背后的 WinML 后端实现示例之所以能在 Windows 上直接运行 ONNX 模型靠的是 wasi-nn 的 WinML 后端 crates/wasi-nn/src/backend/winml.rs。从源码结构看整个调用链可以概括为WinMLBackend::load要求恰好一个模型构建器builders.len() ! 1时报InvalidNumberOfBuilders将 ONNX 字节写入InMemoryRandomAccessStream通过LearningModel::LoadFromStream加载模型ExecutionTarget::Cpu映射为LearningModelDeviceKind::CpuExecutionTarget::Gpu映射为DirectX而Tpu目前是unimplemented!()。init_execution_context用LearningModelDevice::Create创建设备、LearningModelSession::CreateFromModelOnDevice建立会话封装为执行上下文。set_input/compute/get_output按索引或名称在模型的InputFeatures/OutputFeatures中定位张量经to_inspectablewasi-nn 张量 → WinMLIInspectable与to_tensor反向转换完成数据搬运最后调用session.Evaluate执行推理。张量类型支持to_inspectable支持 Fp32TensorFloat、I64TensorInt64Bit以及以 f32 数组包装的 Fp16TensorFloat16Bit并做对齐校验to_tensor反向支持 Float16、Float、Int64 三种TensorKind。该文件内还包含 fp16 / fp32 / i64 三组单元测试用于验证 wasi-nn 与 WinML 之间的往返转换winml.rs。换言之guest 侧wasi-nn的 API 调用在宿主侧被翻译为 WinML 的LearningModel/LearningModelSession/LearningModelBinding操作而mobilenet.onnx正是被LearningModel::LoadFromStream加载的那个字节流。五、fixture 与 CI 测试示例目录的父级 examples/README.md 提到CI 通过ci/run-wasi-nn-example.sh测试分类示例。这说明fixture中的三份素材不仅是本地演示输入也承担了自动化回归验证的职责——模型加载、预处理、推理与 Top-5 排序整条链路都会被持续检验从而保证 wasi-nn API 与各后端实现含 WinML的行为稳定。小结crates/wasi-nn/examples/classification-example-winml/fixture/目录虽小却承载了 WinML 分类示例的全部输入ONNX 模型决定“能算什么”synset 标签决定“结果叫什么”测试图像决定“算的是什么”。理解这份素材清单的来源、许可证与格式约束再结合示例 README 的构建运行步骤与 winml.rs 的后端实现即可在 Windows 上完整复现 wasi-nn WinML 的图像分类流程并自如地将模型、图片替换为自有资产。【免费下载链接】wasmtimeA lightweight WebAssembly runtime that is fast, secure, and standards-compliant项目地址: https://gitcode.com/gh_mirrors/wa/wasmtime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Wasmtime 中基于 wasi-nn 与 WinML 的图像分类示例：fixture 模型、图像与标签文件的准备与使用
Wasmtime 中基于 wasi-nn 与 WinML 的图像分类示例fixture 模型、图像与标签文件的准备与使用【免费下载链接】wasmtimeA lightweight WebAssembly runtime that is fast, secure, and standards-compliant项目地址: https://gitcode.com/gh_mirrors/wa/wasmtime导读本文围绕 Wasmtime 仓库中crates/wasi-nn/examples/classification-example-winml示例的 fixture 资源目录fixture/README.md展开说明该目录下三份核心素材——ONNX 分类模型、ImageNet 标签文件与测试图像——的来源、许可证及其在完整推理链路中的具体作用。读者将掌握如何理解并复用这套 fixture 素材、如何在 Windows 上以 WinML 为后端把 wasi-nn 示例从编译一路跑到输出 Top-5 分类结果以及如何替换为自己的模型与图片。一、fixture 目录是什么一份推理示例的“素材清单”crates/wasi-nn/examples/classification-example-winml/fixture/是 WinML 分类示例的输入资源目录目录内除 README.md 外还包含三个被示例代码直接引用的文件文件作用来源许可证mobilenet.onnx用于推理的 MobileNetV2-7 图像分类 ONNX 模型下载自 ONNX 官方模型库onnx/models 仓库的validated/vision/classification/mobilenet路径onnx/models 仓库 LICENSEsynset.txtImageNet 分类标签文件共 1000 行格式为类别ID 标签文本同样下载自 onnx/models 仓库的validated/vision/classification路径onnx/models 仓库 LICENSEkitten.png224×224 的测试输入图像下载自 onnxruntime 官方仓库 WinML 测试图片目录onnxruntime 仓库 LICENSEfixture 的 README 本质上是一份素材溯源清单它明确记录了每个文件的下载来源与许可证归属保证示例可复现、可合规分发。在替换素材时这份清单也提醒使用者关注第三方模型与数据的授权边界。说明以上来源信息以 fixture/README.md 中的记载为准本文不再重复给出外部链接如需二次分发或商用请自行核对 onnx/models 与 onnxruntime 仓库的许可证原文。二、三份素材在推理流程中的分工结合 main.rs示例程序 src/main.rs 的完整链路依次使用这三份素材模型加载wasi_nn::GraphBuilder::new(wasi_nn::GraphEncoding::Onnx, wasi_nn::ExecutionTarget::CPU)创建图构建器通过build_from_files([fixture/mobilenet.onnx])从文件构建计算图再init_execution_context()得到执行上下文。图像读取与预处理fs::read(fixture/kitten.png)读入原始图像字节随后交给preprocess函数见下方说明输出符合模型输入要求的张量。输入张量设置context.set_input(0, wasi_nn::TensorType::F32, [1, 3, 224, 224], tensor_data)指定输入索引 0、数据类型 F32、形状 NCHW 为[1, 3, 224, 224]1 张图、RGB 三通道、224×224 分辨率。推理执行context.compute()触发 WinML 后端评估代码会打印耗时毫秒数。输出读取get_output(0, mut output_buffer[..])读取形状为[1, 1000, 1, 1]的原始 logits对应 ImageNet 1000 类。标签解析读取fixture/synset.txt按行拆分并取第二列及之后的文本作为可读标签例如n01440764 tench, Tinca tinca解析为tench, Tinca tinca最终通过sort_results按概率降序输出 Top-5 结果。图像预处理的关键参数来自模型规范preprocess函数实现了 MobileNet 官方要求的预处理流程let tensor_data preprocess( image_data.as_slice(), 224, 224, [0.485, 0.456, 0.406], // meanImageNet 标准均值 [0.229, 0.224, 0.225], // stdImageNet 标准标准差 );具体步骤为image::load_from_memory解码图像 →resize_exact(224, 224, Triangle)双线性三角滤波缩放 →to_rgb8()转 RGB → 逐像素执行(pixel / 255.0 - mean[channel]) / std[channel]归一化 → 按to_ne_bytes()拆成字节写入以[1, 3, 224, 224]布局的Vecu8。注意图像尺寸、均值/标准差必须与模型训练时一致否则分类精度会显著下降。后处理softmax 与 Top-5 排序postprocess先对[1, 1000, 1, 1]的原始输出做 softmax指数化后按类别轴归一sort_results再把概率与synset.txt标签一一对应并按概率降序排序最后打印前 5 项println!(Found results, sorted top 5: {:?}, sort_results(result, labels)[..5]);三、端到端运行从构建 Wasmtime 到输出分类结果fixture 素材只有在完整示例中才有意义。按照示例目录 README.md 的说明在Windows 10 v1803 及以上环境按以下步骤运行以winml特性构建 Wasmtime在 Wasmtime 仓库顶层目录执行cargo build --release --features wasmtime-wasi-nn/winmlwinml特性在 crates/wasi-nn/Cargo.toml 中定义winml [dep:windows]且属于默认特性组合default [openvino, winml]的一部分它引入了windowscrate使 wasi-nn 可以调用 Windows 的 WinML 机器学习 API。切换到示例目录Wasmtime 顶层记为%PROJECT_DIR%set PROJECT_DIR%CD% cd crates\wasi-nn\examples\classification-example-winml安装wasm32-wasip1Rust 目标示例编译为 WebAssembly无法用宿主目标编译rustup target add wasm32-wasip1编译示例产物是.wasm文件cargo build --release --targetwasm32-wasip1该 crate 依赖见 Cargo.toml为wasi-nn 0.6.0、image启用png特性与ndarrayCargo.toml 中通过独立的[workspace]声明将其排除在 Wasmtime 主工作区之外避免与宿主构建互相干扰。运行示例关键是把fixture目录映射进 WebAssembly 可见的文件空间%PROJECT_DIR%\target\release\wasmtime.exe --dir fixture::fixture -S nn target\wasm32-wasip1\release\wasi-nn-example-winml.wasm--dir fixture::fixture将宿主侧的fixture目录以同名路径暴露给 guest使build_from_files([fixture/mobilenet.onnx])和fs::read(fixture/kitten.png)等路径可解析-S nn开启 wasi-nn 相关的能力开关允许 guest 调用神经网络推理接口。观察输出程序依次打印“Created an execution context.”、输入张量字节数、推理耗时最后给出按概率排序的 Top-5 分类结果。替换模型或图像时的注意事项示例 README 明确指出如需换用其他图片或 ONNX 模型只需修改fixture目录中的文件并同步调整 src/main.rs 中可能受影响的路径。替换时还需留意新模型若输入不是 224×224需同步修改preprocess的目标尺寸与set_input的形状新模型的类别数若不为 1000需同步调整输出缓冲区大小与synset.txt或等价标签文件的行数归一化均值/标准差以模型文档为准MobileNet 使用 ImageNet 的[0.485, 0.456, 0.406]/[0.229, 0.224, 0.225]。四、fixture 素材背后的 WinML 后端实现示例之所以能在 Windows 上直接运行 ONNX 模型靠的是 wasi-nn 的 WinML 后端 crates/wasi-nn/src/backend/winml.rs。从源码结构看整个调用链可以概括为WinMLBackend::load要求恰好一个模型构建器builders.len() ! 1时报InvalidNumberOfBuilders将 ONNX 字节写入InMemoryRandomAccessStream通过LearningModel::LoadFromStream加载模型ExecutionTarget::Cpu映射为LearningModelDeviceKind::CpuExecutionTarget::Gpu映射为DirectX而Tpu目前是unimplemented!()。init_execution_context用LearningModelDevice::Create创建设备、LearningModelSession::CreateFromModelOnDevice建立会话封装为执行上下文。set_input/compute/get_output按索引或名称在模型的InputFeatures/OutputFeatures中定位张量经to_inspectablewasi-nn 张量 → WinMLIInspectable与to_tensor反向转换完成数据搬运最后调用session.Evaluate执行推理。张量类型支持to_inspectable支持 Fp32TensorFloat、I64TensorInt64Bit以及以 f32 数组包装的 Fp16TensorFloat16Bit并做对齐校验to_tensor反向支持 Float16、Float、Int64 三种TensorKind。该文件内还包含 fp16 / fp32 / i64 三组单元测试用于验证 wasi-nn 与 WinML 之间的往返转换winml.rs。换言之guest 侧wasi-nn的 API 调用在宿主侧被翻译为 WinML 的LearningModel/LearningModelSession/LearningModelBinding操作而mobilenet.onnx正是被LearningModel::LoadFromStream加载的那个字节流。五、fixture 与 CI 测试示例目录的父级 examples/README.md 提到CI 通过ci/run-wasi-nn-example.sh测试分类示例。这说明fixture中的三份素材不仅是本地演示输入也承担了自动化回归验证的职责——模型加载、预处理、推理与 Top-5 排序整条链路都会被持续检验从而保证 wasi-nn API 与各后端实现含 WinML的行为稳定。小结crates/wasi-nn/examples/classification-example-winml/fixture/目录虽小却承载了 WinML 分类示例的全部输入ONNX 模型决定“能算什么”synset 标签决定“结果叫什么”测试图像决定“算的是什么”。理解这份素材清单的来源、许可证与格式约束再结合示例 README 的构建运行步骤与 winml.rs 的后端实现即可在 Windows 上完整复现 wasi-nn WinML 的图像分类流程并自如地将模型、图片替换为自有资产。【免费下载链接】wasmtimeA lightweight WebAssembly runtime that is fast, secure, and standards-compliant项目地址: https://gitcode.com/gh_mirrors/wa/wasmtime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考