前言
前一篇实现了OpenCV推理ResNet18, 这一篇采用腾讯的NCNN框架实现ResNet18推理。
一、准备
1、 NCNN编译及安装
同OpenCV推理一样,首先需要准备NCNN,NCNN源码编译及安装可参考:
https://www.cnblogs.com/xiaxuexiaoab/p/16416374.html
2、其他环境
Windows10
visual Studio 2019
二、NCNN推理ResNet18
1、模型转换
前面已经讲过如何将训练好的模型转换为ONNX格式,要采用NCNN完成推理,还需要进一步将ONNX格式模型转换成NCNN格式,如*.param, *.bin 。
param相应的格式说明可以参考:
https://www.cnblogs.com/xiaxuexiaoab/p/16420002.html
ONNX模型转换为NCNN格式可以参考:
https://www.cnblogs.com/xiaxuexiaoab/p/16638276.html
通常转换后都会调用ncnnoptimize
对其进行优化,可以看到大小和参数量都会变少,这是因为对ncnn模型中部分算子进行合并优化等
以下是转换为param和简化后param的部分视图
2、模型加载
#include "ncnn/net.h"
ncnn::Net net;
// net.opt.use_vulkan_compute = true;
//// 1.Load model
//// --- method 1 ---
//net.load_param(paramPath.c_str());
//net.load_model(binPath.c_str());
//// --- method 2 ---
//net.load_param_bin(paramBinPath.c_str());
//net.load_model(binPath.c_str());
//// --- method 3 ---
// // need #inlucde "test_sim.mem.h"
//net.load_param(test_sim_param_bin);
//net.load_model(test_sim_bin);
//// --- method 4 ---
// Load Model
// net.opt.use_vulkan_compute = true;
FILE* fp = fopen(modelPath.c_str(), "rb");
net.load_param_bin(fp);
net.load_model(fp);
fclose(fp);
const std::vector<ncnn::Blob>& netBlobs = net.blobs();
const std::vector<ncnn::Layer*>& netLayers = net.layers();
std::cout << " blobs: " << netBlobs.size() << " layers: " << netLayers.size() << std::endl;
最后输出的blobs数量和layers数量能对应上param里面的数据,即表示加载成功。
3、数据预处理
还是依照python脚本对数据进行预处理
这里采用NCNN自带的一些处理工具,所以预处理转为C++代码如下所示
cv::Mat cvImg= cv::imread("./test.png");
if (cvImg.empty()) {
// read img failed
return false;
}
ncnn::Mat in = ncnn::Mat::from_pixels_resize(cvImg.data, ncnn::Mat::PIXEL_BGR2RGB, cvImg.cols, cvImg.rows, targetSize, targetSize);
const float MEANS[3] = { 123.675, 116.28, 103.53 };
const float STD[3] = { 1.0 / 58.395, 1.0 / 57.120, 1.0 / 57.375 };
input.substract_mean_normalize(MEANS, STD);
里面from_pixels_resize
接口将CV::Mat cvImg 通道格式由BGR转换为RGB,并由(cvImg.cols, cvImg.rows)缩放至(targetSize, targetSize)大小。
后面substract_mean_normalize
接口实现归一化, 注意:这里没有先除255.0将像素值归一化到[0, 1],所以相应的值乘了255,而STD这里采用倒数,是该接口里面是采用乘法
4、模型推理
前面已经加载好了模型,并且数据进行了转换,接下来进行推理
ncnn::Extractor ex = net.create_extractor();
ex.set_num_threads(4);
ex.input("input", input);
ncnn::Mat out;
ex.extract("output", out);
模型的推理结果已经存储到ncnn::Mat out
里面,接下来对其进行解析即可得到类型。
ncnn::Layer* sigmoid = ncnn::create_layer("Sigmoid");
ncnn::ParamDict pd;
sigmoid->load_param(pd);
sigmoid->forward_inplace(out, net.opt);
float* outPtr = out.channel(0); // here just deal with 2 class
int classId;
if (outPtr[0] > outPtr[1]) {
classId = 0;
}
else {
classId = 1;
}
以上操作对结果进行了sigmoid
操作,输出的outPtr及对应类别的置信度。
最后
感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你。
因为这个行业不同于其他行业,知识体系实在是过于庞大,知识更新也非常快。作为一个普通人,无法全部学完,所以我们在提升技术的时候,首先需要明确一个目标,然后制定好完整的计划,同时找到好的学习方法,这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
五、面试资料
我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】