企业官网建设流程全解析

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：

fixture 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：

1. 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。
2. 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。
3. 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）。
4. 推理执行：context.compute()触发 WinML 后端评估，代码会打印耗时毫秒数。
5. 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）。
6. 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], // mean，ImageNet 标准均值 &[0.229, 0.224, 0.225], // std，ImageNet 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Vec<u8>。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：

1. 以winml特性构建 Wasmtime（在 Wasmtime 仓库顶层目录执行）：

   cargo build --release --features wasmtime-wasi-nn/winml

   winml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。

2. 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

3. 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

4. 编译示例，产物是.wasm文件：

   cargo build --release --target=wasm32-wasip1

   该 crate 依赖（见 Cargo.toml）为wasi-nn = "0.6.0"、image（启用png特性）与ndarray；Cargo.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。

5. 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。

6. 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::Cpu，ExecutionTarget::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_inspectable（wasi-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 Fp32（TensorFloat）、I64（TensorInt64Bit）以及以 f32 数组包装的 Fp16（TensorFloat16Bit），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