NCNN模型分析

最新推荐文章于 2023-12-04 10:52:43 发布
最新推荐文章于 2023-12-04 10:52:43 发布
阅读量842 收藏 5
点赞数 3
分类专栏： AI框架 移动端AI Deep Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forest_world/article/details/115359000
版权

NCNN模型分析

层类型layer type

层名称layer name

输入

数量input count

输出

数量output count

网络输入层名input blobs

网络

输出层名output blobs

特殊参数layer specific params

 

Convolution

0_22

1

1

data

0_22_bn_leaky

 

 

Convolution 0_22 1 1 data 0_22_bn_leaky -23330=4,3,160,160,8 0=8 1=3 3=2 4=1 5=1 6=216 9=2 -23310=1,1.000000e-01

分析如下：

-23330=4，-23303表明当前参数为数组，数组大小为4，内容为 3,160,160,8

 

operation

param id

param phase

value

Convolution

0

num_output

8

 

1

kernel_w

3

 

2

dilation_w

 
 

3

stride_w

2

 

4

pad_left

1

 

5

bias_term

1

 

6

weight_data_size

216

 

9

activation_type

2

 

-23310=1,1.000000e-01，-23303表明当前参数为数组，数组大小为1，内容为 1.000000e-01

 

参考：

https://github.com/Tencent/ncnn/wiki/param-and-model-file-structure

https://github.com/Tencent/ncnn/wiki/operation-param-weight-table

（图摘自：https://github.com/Tencent/ncnn/wiki/operation-param-weight-table）

  1. 7767517 # param文件版本
  2. 127 147 #层（layer）数量 数据交换结构（blob）数量
  3. Input                    data                     0 1 data -23330=4,3,320,320,3 0=320 1=320 2=3
  4. [input层 层类型 层名称 输入数据结构数量 输出数据结构数量]
  5. Convolution              0_22                     1 1 data 0_22_bn_leaky -23330=4,3,160,160,8 0=8 1=3 3=2 4=1 5=1 6=216 9=2 -23310=1,1.000000e-01
  6. Convolution              1_31                     1 1 0_22_bn_leaky 1_31_bn_leaky -23330=4,3,160,160,8 0=8 1=1 5=1 6=64 9=2 -23310=1,1.000000e-01
  7. ConvolutionDepthWise     2_39                     1 1 1_31_bn_leaky 2_39_bn_leaky -23330=4,3,160,160,8 0=8 1=3 4=1 5=1 6=72 7=8 9=2 -23310=1,1.000000e-01
  8. Convolution              3_48                     1 1 2_39_bn_leaky 3_48_bn -23330=4,3,160,160,4 0=4 1=1 5=1 6=32
  9. Split                    3_48_bn_split            1 2 3_48_bn 3_48_bn_split_0 3_48_bn_split_1 -23330=8,3,160,160,4,3,160,160,4
  10. Convolution              4_57                     1 1 3_48_bn_split_0 4_57_bn_leaky -23330=4,3,160,160,8 0=8 1=1 5=1 6=32 9=2 -23310=1,1.000000e-01
  11. ConvolutionDepthWise     5_65                     1 1 4_57_bn_leaky 5_65_bn_leaky -23330=4,3,160,160,8 0=8 1=3 4=1 5=1 6=72 7=8 9=2 -23310=1,1.000000e-01
  12. Convolution              6_74                     1 1 5_65_bn_leaky 6_74_bn -23330=4,3,160,160,4 0=4 1=1 5=1 6=32
  13. Eltwise                  8_86                     2 1 6_74_bn 3_48_bn_split_1 8_86 -23330=4,3,160,160,4 0=1
  14. Convolution              9_90                     1 1 8_86 9_90_bn_leaky -23330=4,3,160,160,24 0=24 1=1 5=1 6=96 9=2 -23310=1,1.000000e-01
  15. ConvolutionDepthWise     10_98                    1 1 9_90_bn_leaky 10_98_bn_leaky -23330=4,3,80,80,24 0=24 1=3 3=2 4=1 5=1 6=216 7=24 9=2 -23310=1,1.000000e-01
  16. Convolution              11_107                   1 1 10_98_bn_leaky 11_107_bn -23330=4,3,80,80,8 0=8 1=1 5=1 6=192
  17. Split                    11_107_bn_split          1 2 11_107_bn 11_107_bn_split_0 11_107_bn_split_1 -23330=8,3,80,80,8,3,80,80,8
  18. Convolution              12_116                   1 1 11_107_bn_split_0 12_116_bn_leaky -23330=4,3,80,80,32 0=32 1=1 5=1 6=256 9=2 -23310=1,1.000000e-01
  19. ConvolutionDepthWise     13_124                   1 1 12_116_bn_leaky 13_124_bn_leaky -23330=4,3,80,80,32 0=32 1=3 4=1 5=1 6=288 7=32 9=2 -23310=1,1.000000e-01
  20. Convolution              14_133                   1 1 13_124_bn_leaky 14_133_bn -23330=4,3,80,80,8 0=8 1=1 5=1 6=256
  21. Eltwise                  16_145                   2 1 14_133_bn 11_107_bn_split_1 16_145 -23330=4,3,80,80,8 0=1
  22. Split                    16_145_split             1 2 16_145 16_145_split_0 16_145_split_1 -23330=8,3,80,80,8,3,80,80,8
  23. Convolution              17_149                   1 1 16_145_split_0 17_149_bn_leaky -23330=4,3,80,80,32 0=32 1=1 5=1 6=256 9=2 -23310=1,1.000000e-01
  24. ConvolutionDepthWise     18_157                   1 1 17_149_bn_leaky 18_157_bn_leaky -23330=4,3,80,80,32 0=32 1=3 4=1 5=1 6=288 7=32 9=2 -23310=1,1.000000e-01
  25. Convolution              19_166                   1 1 18_157_bn_leaky 19_166_bn -23330=4,3,80,80,8 0=8 1=1 5=1 6=256
  26. Eltwise                  21_179                   2 1 19_166_bn 16_145_split_1 21_179 -23330=4,3,80,80,8 0=1
  27. Convolution              22_183                   1 1 21_179 22_183_bn_leaky -23330=4,3,80,80,32 0=32 1=1 5=1 6=256 9=2 -23310=1,1.000000e-01
  28. ConvolutionDepthWise     23_191                   1 1 22_183_bn_leaky 23_191_bn_leaky -23330=4,3,40,40,32 0=32 1=3 3=2 4=1 5=1 6=288 7=32 9=2 -23310=1,1.000000e-01
  29. Convolution              24_200                   1 1 23_191_bn_leaky 24_200_bn -23330=4,3,40,40,8 0=8 1=1 5=1 6=256
  30. Split                    24_200_bn_split          1 2 24_200_bn 24_200_bn_split_0 24_200_bn_split_1 -23330=8,3,40,40,8,3,40,40,8
  31. Convolution              25_209                   1 1 24_200_bn_split_0 25_209_bn_leaky -23330=4,3,40,40,48 0=48 1=1 5=1 6=384 9=2 -23310=1,1.000000e-01
  32. ConvolutionDepthWise     26_217                   1 1 25_209_bn_leaky 26_217_bn_leaky -23330=4,3,40,40,48 0=48 1=3 4=1 5=1 6=432 7=48 9=2 -23310=1,1.000000e-01
  33. Convolution              27_226                   1 1 26_217_bn_leaky 27_226_bn -23330=4,3,40,40,8 0=8 1=1 5=1 6=384
  34. Eltwise                  29_238                   2 1 27_226_bn 24_200_bn_split_1 29_238 -23330=4,3,40,40,8 0=1
  35. Split                    29_238_split             1 2 29_238 29_238_split_0 29_238_split_1 -23330=8,3,40,40,8,3,40,40,8
  36. Convolution              30_242                   1 1 29_238_split_0 30_242_bn_leaky -23330=4,3,40,40,48 0=48 1=1 5=1 6=384 9=2 -23310=1,1.000000e-01
  37. ConvolutionDepthWise     31_250                   1 1 30_242_bn_leaky 31_250_bn_leaky -23330=4,3,40,40,48 0=48 1=3 4=1 5=1 6=432 7=48 9=2 -23310=1,1.000000e-01
  38. Convolution              32_259                   1 1 31_250_bn_leaky 32_259_bn -23330=4,3,40,40,8 0=8 1=1 5=1 6=384
  39. Eltwise                  34_273                   2 1 32_259_bn 29_238_split_1 34_273 -23330=4,3,40,40,8 0=1
  40. Convolution              35_277                   1 1 34_273 35_277_bn_leaky -23330=4,3,40,40,48 0=48 1=1 5=1 6=384 9=2 -23310=1,1.000000e-01
  41. ConvolutionDepthWise     36_285                   1 1 35_277_bn_leaky 36_285_bn_leaky -23330=4,3,40,40,48 0=48 1=3 4=1 5=1 6=432 7=48 9=2 -23310=1,1.000000e-01
  42. Convolution              37_294                   1 1 36_285_bn_leaky 37_294_bn -23330=4,3,40,40,16 0=16 1=1 5=1 6=768
  43. Split                    37_294_bn_split          1 2 37_294_bn 37_294_bn_split_0 37_294_bn_split_1 -23330=8,3,40,40,16,3,40,40,16
  44. Convolution              38_303                   1 1 37_294_bn_split_0 38_303_bn_leaky -23330=4,3,40,40,96 0=96 1=1 5=1 6=1536 9=2 -23310=1,1.000000e-01
  45. ConvolutionDepthWise     39_311                   1 1 38_303_bn_leaky 39_311_bn_leaky -23330=4,3,40,40,96 0=96 1=3 4=1 5=1 6=864 7=96 9=2 -23310=1,1.000000e-01
  46. Convolution              40_320                   1 1 39_311_bn_leaky 40_320_bn -23330=4,3,40,40,16 0=16 1=1 5=1 6=1536
  47. Eltwise                  42_332                   2 1 40_320_bn 37_294_bn_split_1 42_332 -23330=4,3,40,40,16 0=1
  48. Split                    42_332_split             1 2 42_332 42_332_split_0 42_332_split_1 -23330=8,3,40,40,16,3,40,40,16
  49. Convolution              43_336                   1 1 42_332_split_0 43_336_bn_leaky -23330=4,3,40,40,96 0=96 1=1 5=1 6=1536 9=2 -23310=1,1.000000e-01
  50. ConvolutionDepthWise     44_344                   1 1 43_336_bn_leaky 44_344_bn_leaky -23330=4,3,40,40,96 0=96 1=3 4=1 5=1 6=864 7=96 9=2 -23310=1,1.000000e-01
  51. Convolution              45_353                   1 1 44_344_bn_leaky 45_353_bn -23330=4,3,40,40,16 0=16 1=1 5=1 6=1536
  52. Eltwise                  47_365                   2 1 45_353_bn 42_332_split_1 47_365 -23330=4,3,40,40,16 0=1
  53. Split                    47_365_split             1 2 47_365 47_365_split_0 47_365_split_1 -23330=8,3,40,40,16,3,40,40,16
  54. Convolution              48_369                   1 1 47_365_split_0 48_369_bn_leaky -23330=4,3,40,40,96 0=96 1=1 5=1 6=1536 9=2 -23310=1,1.000000e-01
  55. ConvolutionDepthWise     49_377                   1 1 48_369_bn_leaky 49_377_bn_leaky -23330=4,3,40,40,96 0=96 1=3 4=1 5=1 6=864 7=96 9=2 -23310=1,1.000000e-01
  56. Convolution              50_386                   1 1 49_377_bn_leaky 50_386_bn -23330=4,3,40,40,16 0=16 1=1 5=1 6=1536
  57. Eltwise                  52_399                   2 1 50_386_bn 47_365_split_1 52_399 -23330=4,3,40,40,16 0=1
  58. Split                    52_399_split             1 2 52_399 52_399_split_0 52_399_split_1 -23330=8,3,40,40,16,3,40,40,16
  59. Convolution              53_403                   1 1 52_399_split_0 53_403_bn_leaky -23330=4,3,40,40,96 0=96 1=1 5=1 6=1536 9=2 -23310=1,1.000000e-01
  60. ConvolutionDepthWise     54_411                   1 1 53_403_bn_leaky 54_411_bn_leaky -23330=4,3,40,40,96 0=96 1=3 4=1 5=1 6=864 7=96 9=2 -23310=1,1.000000e-01
  61. Convolution              55_420                   1 1 54_411_bn_leaky 55_420_bn -23330=4,3,40,40,16 0=16 1=1 5=1 6=1536
  62. Eltwise                  57_433                   2 1 55_420_bn 52_399_split_1 57_433 -23330=4,3,40,40,16 0=1
  63. Convolution              58_437                   1 1 57_433 58_437_bn_leaky -23330=4,3,40,40,96 0=96 1=1 5=1 6=1536 9=2 -23310=1,1.000000e-01
  64. ConvolutionDepthWise     59_445                   1 1 58_437_bn_leaky 59_445_bn_leaky -23330=4,3,20,20,96 0=96 1=3 3=2 4=1 5=1 6=864 7=96 9=2 -23310=1,1.000000e-01
  65. Convolution              60_454                   1 1 59_445_bn_leaky 60_454_bn -23330=4,3,20,20,24 0=24 1=1 5=1 6=2304
  66. Split                    60_454_bn_split          1 2 60_454_bn 60_454_bn_split_0 60_454_bn_split_1 -23330=8,3,20,20,24,3,20,20,24
  67. Convolution              61_463                   1 1 60_454_bn_split_0 61_463_bn_leaky -23330=4,3,20,20,136 0=136 1=1 5=1 6=3264 9=2 -23310=1,1.000000e-01
  68. ConvolutionDepthWise     62_471                   1 1 61_463_bn_leaky 62_471_bn_leaky -23330=4,3,20,20,136 0=136 1=3 4=1 5=1 6=1224 7=136 9=2 -23310=1,1.000000e-01
  69. Convolution              63_480                   1 1 62_471_bn_leaky 63_480_bn -23330=4,3,20,20,24 0=24 1=1 5=1 6=3264
  70. Eltwise                  65_492                   2 1 63_480_bn 60_454_bn_split_1 65_492 -23330=4,3,20,20,24 0=1
  71. Split                    65_492_split             1 2 65_492 65_492_split_0 65_492_split_1 -23330=8,3,20,20,24,3,20,20,24
  72. Convolution              66_496                   1 1 65_492_split_0 66_496_bn_leaky -23330=4,3,20,20,136 0=136 1=1 5=1 6=3264 9=2 -23310=1,1.000000e-01
  73. ConvolutionDepthWise     67_504                   1 1 66_496_bn_leaky 67_504_bn_leaky -23330=4,3,20,20,136 0=136 1=3 4=1 5=1 6=1224 7=136 9=2 -23310=1,1.000000e-01
  74. Convolution              68_513                   1 1 67_504_bn_leaky 68_513_bn -23330=4,3,20,20,24 0=24 1=1 5=1 6=3264
  75. Eltwise                  70_526                   2 1 68_513_bn 65_492_split_1 70_526 -23330=4,3,20,20,24 0=1
  76. Split                    70_526_split             1 2 70_526 70_526_split_0 70_526_split_1 -23330=8,3,20,20,24,3,20,20,24
  77. Convolution              71_530                   1 1 70_526_split_0 71_530_bn_leaky -23330=4,3,20,20,136 0=136 1=1 5=1 6=3264 9=2 -23310=1,1.000000e-01
  78. ConvolutionDepthWise     72_538                   1 1 71_530_bn_leaky 72_538_bn_leaky -23330=4,3,20,20,136 0=136 1=3 4=1 5=1 6=1224 7=136 9=2 -23310=1,1.000000e-01
  79. Convolution              73_547                   1 1 72_538_bn_leaky 73_547_bn -23330=4,3,20,20,24 0=24 1=1 5=1 6=3264
  80. Eltwise                  75_559                   2 1 73_547_bn 70_526_split_1 75_559 -23330=4,3,20,20,24 0=1
  81. Split                    75_559_split             1 2 75_559 75_559_split_0 75_559_split_1 -23330=8,3,20,20,24,3,20,20,24
  82. Convolution              76_563                   1 1 75_559_split_0 76_563_bn_leaky -23330=4,3,20,20,136 0=136 1=1 5=1 6=3264 9=2 -23310=1,1.000000e-01
  83. ConvolutionDepthWise     77_571                   1 1 76_563_bn_leaky 77_571_bn_leaky -23330=4,3,20,20,136 0=136 1=3 4=1 5=1 6=1224 7=136 9=2 -23310=1,1.000000e-01
  84. Convolution              78_580                   1 1 77_571_bn_leaky 78_580_bn -23330=4,3,20,20,24 0=24 1=1 5=1 6=3264
  85. Eltwise                  80_593                   2 1 78_580_bn 75_559_split_1 80_593 -23330=4,3,20,20,24 0=1
  86. Convolution              81_597                   1 1 80_593 81_597_bn_leaky -23330=4,3,20,20,136 0=136 1=1 5=1 6=3264 9=2 -23310=1,1.000000e-01
  87. Split                    81_597_bn_leaky_split    1 2 81_597_bn_leaky 81_597_bn_leaky_split_0 81_597_bn_leaky_split_1 -23330=8,3,20,20,136,3,20,20,136
  88. ConvolutionDepthWise     82_605                   1 1 81_597_bn_leaky_split_0 82_605_bn_leaky -23330=4,3,10,10,136 0=136 1=3 3=2 4=1 5=1 6=1224 7=136 9=2 -23310=1,1.000000e-01
  89. Convolution              83_615                   1 1 82_605_bn_leaky 83_615_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=6528
  90. Split                    83_615_bn_split          1 2 83_615_bn 83_615_bn_split_0 83_615_bn_split_1 -23330=8,3,10,10,48,3,10,10,48
  91. Convolution              84_624                   1 1 83_615_bn_split_0 84_624_bn_leaky -23330=4,3,10,10,224 0=224 1=1 5=1 6=10752 9=2 -23310=1,1.000000e-01
  92. ConvolutionDepthWise     85_632                   1 1 84_624_bn_leaky 85_632_bn_leaky -23330=4,3,10,10,224 0=224 1=3 4=1 5=1 6=2016 7=224 9=2 -23310=1,1.000000e-01
  93. Convolution              86_641                   1 1 85_632_bn_leaky 86_641_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=10752
  94. Eltwise                  88_653                   2 1 86_641_bn 83_615_bn_split_1 88_653 -23330=4,3,10,10,48 0=1
  95. Split                    88_653_split             1 2 88_653 88_653_split_0 88_653_split_1 -23330=8,3,10,10,48,3,10,10,48
  96. Convolution              89_657                   1 1 88_653_split_0 89_657_bn_leaky -23330=4,3,10,10,224 0=224 1=1 5=1 6=10752 9=2 -23310=1,1.000000e-01
  97. ConvolutionDepthWise     90_665                   1 1 89_657_bn_leaky 90_665_bn_leaky -23330=4,3,10,10,224 0=224 1=3 4=1 5=1 6=2016 7=224 9=2 -23310=1,1.000000e-01
  98. Convolution              91_674                   1 1 90_665_bn_leaky 91_674_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=10752
  99. Eltwise                  93_686                   2 1 91_674_bn 88_653_split_1 93_686 -23330=4,3,10,10,48 0=1
  100. Split                    93_686_split             1 2 93_686 93_686_split_0 93_686_split_1 -23330=8,3,10,10,48,3,10,10,48
  101. Convolution              94_690                   1 1 93_686_split_0 94_690_bn_leaky -23330=4,3,10,10,224 0=224 1=1 5=1 6=10752 9=2 -23310=1,1.000000e-01
  102. ConvolutionDepthWise     95_698                   1 1 94_690_bn_leaky 95_698_bn_leaky -23330=4,3,10,10,224 0=224 1=3 4=1 5=1 6=2016 7=224 9=2 -23310=1,1.000000e-01
  103. Convolution              96_707                   1 1 95_698_bn_leaky 96_707_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=10752
  104. Eltwise                  98_719                   2 1 96_707_bn 93_686_split_1 98_719 -23330=4,3,10,10,48 0=1
  105. Split                    98_719_split             1 2 98_719 98_719_split_0 98_719_split_1 -23330=8,3,10,10,48,3,10,10,48
  106. Convolution              99_723                   1 1 98_719_split_0 99_723_bn_leaky -23330=4,3,10,10,224 0=224 1=1 5=1 6=10752 9=2 -23310=1,1.000000e-01
  107. ConvolutionDepthWise     100_731                  1 1 99_723_bn_leaky 100_731_bn_leaky -23330=4,3,10,10,224 0=224 1=3 4=1 5=1 6=2016 7=224 9=2 -23310=1,1.000000e-01
  108. Convolution              101_740                  1 1 100_731_bn_leaky 101_740_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=10752
  109. Eltwise                  103_752                  2 1 101_740_bn 98_719_split_1 103_752 -23330=4,3,10,10,48 0=1
  110. Split                    103_752_split            1 2 103_752 103_752_split_0 103_752_split_1 -23330=8,3,10,10,48,3,10,10,48
  111. Convolution              104_756                  1 1 103_752_split_0 104_756_bn_leaky -23330=4,3,10,10,224 0=224 1=1 5=1 6=10752 9=2 -23310=1,1.000000e-01
  112. ConvolutionDepthWise     105_764                  1 1 104_756_bn_leaky 105_764_bn_leaky -23330=4,3,10,10,224 0=224 1=3 4=1 5=1 6=2016 7=224 9=2 -23310=1,1.000000e-01
  113. Convolution              106_773                  1 1 105_764_bn_leaky 106_773_bn -23330=4,3,10,10,48 0=48 1=1 5=1 6=10752
  114. Eltwise                  108_784                  2 1 106_773_bn 103_752_split_1 108_784 -23330=4,3,10,10,48 0=1
  115. Convolution              109_788                  1 1 108_784 109_788_bn_leaky -23330=4,3,10,10,96 0=96 1=1 5=1 6=4608 9=2 -23310=1,1.000000e-01
  116. Split                    109_788_bn_leaky_split   1 2 109_788_bn_leaky 109_788_bn_leaky_split_0 109_788_bn_leaky_split_1 -23330=8,3,10,10,96,3,10,10,96
  117. ConvolutionDepthWise     110_796                  1 1 109_788_bn_leaky_split_0 110_796_bn_leaky -23330=4,3,10,10,96 0=96 1=5 4=2 5=1 6=2400 7=96 9=2 -23310=1,1.000000e-01
  118. Convolution              111_805                  1 1 110_796_bn_leaky 111_805_bn -23330=4,3,10,10,128 0=128 1=1 5=1 6=12288
  119. ConvolutionDepthWise     112_813                  1 1 111_805_bn 112_813_bn_leaky -23330=4,3,10,10,128 0=128 1=5 4=2 5=1 6=3200 7=128 9=2 -23310=1,1.000000e-01
  120. Convolution              113_822                  1 1 112_813_bn_leaky 113_822_bn -23330=4,3,10,10,128 0=128 1=1 5=1 6=16384
  121. Convolution              114_830                  1 1 113_822_bn 114_830 -23330=4,3,10,10,75 0=75 1=1 5=1 6=9600
  122. Interp                   117_858                  1 1 109_788_bn_leaky_split_1 117_858 -23330=4,3,20,20,96 0=1 1=2.000000e+00 2=2.000000e+00
  123. Concat                   118_861                  2 1 117_858 81_597_bn_leaky_split_1 118_861 -23330=4,3,20,20,232
  124. Convolution              119_864                  1 1 118_861 119_864_bn_leaky -23330=4,3,20,20,96 0=96 1=1 5=1 6=22272 9=2 -23310=1,1.000000e-01
  125. ConvolutionDepthWise     120_872                  1 1 119_864_bn_leaky 120_872_bn_leaky -23330=4,3,20,20,96 0=96 1=5 4=2 5=1 6=2400 7=96 9=2 -23310=1,1.000000e-01
  126. Convolution              121_881                  1 1 120_872_bn_leaky 121_881_bn -23330=4,3,20,20,96 0=96 1=1 5=1 6=9216
  127. ConvolutionDepthWise     122_889                  1 1 121_881_bn 122_889_bn_leaky -23330=4,3,20,20,96 0=96 1=5 4=2 5=1 6=2400 7=96 9=2 -23310=1,1.000000e-01
  128. Convolution              123_898                  1 1 122_889_bn_leaky 123_898_bn -23330=4,3,20,20,96 0=96 1=1 5=1 6=9216
  129. Convolution              124_906                  1 1 123_898_bn 124_906 -23330=4,3,20,20,75 0=75 1=1 5=1 6=7200
  130. Yolov3DetectionOutput    detection_out            2 1 114_830 124_906 output -23330=4,2,6,1045,1 1=3 2=2.500000e-01 -23304=12,2.600000e+01,4.800000e+01,6.700000e+01,8.400000e+01,7.200000e+01,1.750000e+02,1.890000e+02,1.260000e+02,1.370000e+02,2.360000e+02,2.650000e+02,2.590000e+02 -23305=6,1077936128,1082130432,1084227584,0,1065353216,1073741824 -23306=2,3.200000e+01,1.600000e+01  

 

 

cv.exp
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
NCNN中的模型量化解决方案：源码阅读和原理解析
沉迷单车的追风少年
05-29 415
去年NCNN发布了模型量化的解决方案，作为目前中国大陆被使用最多的端侧模型推理解决方案，NCNN开源的代码值得认真阅读和研究。这篇博客笔者和大家一起探索NCNN的模型量化部分，希望大家在NCNN的世界里玩得开心。
【NCNN】腾讯ncnn推理框架的简介及安装
种一棵树最好的时间是十年前，其次是现在
07-20 7559
ncnn（Ncnn Convolutional Neural Network）是一个轻量级的高性能深度学习框架，由腾讯公司开发。它专门为移动设备和嵌入式设备优化，旨在提供高效的推理性能和低内存占用。以下是ncnn的一些主要特点和优势：轻量级和高性能：ncnn被设计为轻量级框架，具有高效的推理性能。它使用优化的计算图和内存管理策略，以最大程度地减少内存占用和计算开销。跨平台支持：ncnn支持多种操作系统和硬件平台，包括Android、iOS、Linux、Windows等。
从端到端打通模型端侧部署流程（NCNN）
KingsMan666的博客
02-13 3361
深度学习已经在生活的方方面面被应用和重视。随着手机算力的不断提升，以及深度学习的快速发展，特别是小网络模型不断成熟，原本在云端执行的推理预测就可以转移到端上来做。端智能即在端侧部署运行 AI 算法，相比服务端智能，端智能具有低延时、兼顾数据隐私、节省云端资源等优势。目前端智能正逐渐变为趋势，从业界来看，它已经在 AI 摄像、视觉特效等场景发挥了巨大价值。ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。
腾讯移动端推理框架NCNN
smartcat2010的博客
02-16 2287
ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。 支持大部分常用的 CNN 网络: Classical CNN: VGG AlexNet GoogleNet Inception … Practical CNN: ResNet DenseNet SENet FPN … Light-weight CNN: SqueezeNet MobileNetV1/V2/V3 Shuffl
移动端机器学习框架ncnn简介与实践
hansun008的博客
12-04 3079
腾讯优图ncnn提供的资料显示：对比目前已知的同类框架，ncnn是 CPU 框架中最快的，安装包体积最小，跨平台兼容性中也是最好的。以苹果主推的 CoreML 为例，CoreML 是苹果主推的 iOS GPU 计算框架，速度非常快，但仅支持 iOS 11 以上的 iPhone 手机，落地受众太狭窄，非开源导致开发者无法自主扩展功能，对开源社区不友好。ncnn 提供了注册自定义层实现的扩展方式，可以将自己实现的特殊层内嵌到 ncnn 的前向计算过程中，组合出更自由的网络结构和更强大的特性。
ncnn 模型转换 mat转换 输出可视化
jacke121的专栏
10-01 3206
pytorch转： https://github.com/autocyz/pytorch2ncnn https://github.com/kouxichao/pytorch2ncnn https://github.com/yanghanxy/Keras2NCNN https://github.com/nxp-gf/flask-server-for-ncnn ...
部署yolov10的ncnn模型到android源码+模型+项目说明.zip
最新发布
06-08
部署yolov10的ncnn模型到android源码+模型+项目说明.zip 部署yolov10的ncnn模型到android源码+模型+项目说明.zip 部署yolov10的ncnn模型到android源码+模型+项目说明.zip 部署yolov10的ncnn模型到android源码+模型+...
记录ncnn导出模型的权重读取的一点思路
08-16
本篇文章将深入探讨如何在ncnn框架下导出模型权重并进行读取，以供后续的推理或分析使用。 首先，ncnn支持多种深度学习模型的导入，如 caffe、torch、onnx 等。在导出模型权重时，我们需要先将原始模型转换为ncnn的...
轻量级PP-HumanSeg lite人像分割模型NCNN C++部署代码和模型
03-17
在描述中提到了“包含onnx模型和ncnn模型”。**ONNX（Open Neural Network Exchange）**是一种开放的模型交换格式，它允许开发者在不同的框架之间自由转换模型，如TensorFlow、PyTorch、Caffe等。这样做的好处是提高...
sherpa-ncnn，语音识别模型文件
04-18
3. **声学模型**：这是语音识别的核心部分，sherpa-ncnn模型可能采用了深度神经网络（DNN）、卷积神经网络（CNN）或循环神经网络（RNN）等结构来建立声学模型，它负责识别连续的音频片段并将其映射到对应的音素序列...
算法部署-使用NCNN部署YOLOv10目标检测算法-附项目源码+NCNN模型+编译流程教程-优质项目实战.zip
06-07
在本项目中，我们将深入探讨如何使用NCNN框架部署YOLOv10目标检测算法，这是一个高质量的实战项目，包含了完整的源代码、NCNN模型以及详细的编译流程教程。YOLO（You Only Look Once）是一种实时的目标检测系统，而...
python二进制文件编辑_编译自定义Python二进制程序
weixin_39710251的博客
11-29 435
工作中需要自行编译一个Python二进制程序，并尽量减少该程序依赖的库文件，使之在相同CPU架构上有更良好的可移植性。先找了下网上的资料，都不太详尽，经过探索最终还是成功了，这里记录一下过程以备忘。过程记录查阅Python27源码中的setup.py文件，发现Python核心仅依赖glibc，c++等标准库，因此按以下默认的编译命令即可编译出依赖较少的Python二进制程序了。# 安装必要的编译工...
【NCNN移植部署开发记录-模型量化】
zhu_hongji的博客
09-01 703
【NCNN移植部署开发记录-模型量化】
1、yolov5模型转换NCNN模型部署
roujian0985的博客
12-27 3473
写作原因：最近看了下nihui大佬的ncnn，练习着将yolov5训练的模型转换成ncnn模型并部署，同时借鉴了网上优秀的博文，记录一下，如有不对的地方，请多多指教。 说明：pytorch模型转换成onnx模型，及onnx模型简化和转ncnn模型在引用的文章中都有详细的说明，可移步至引用文章中查看。 先来看下ncnn模型，两个，一个是param一个是bin，需要修改的是param 其实yolov5 v1-v5在训练完后，使用onnx2ncnn.exe将简化后的onnx模型转换成ncnn模型时主要出
腾讯开源ncnn:示例程序运行
VivienFu的专栏
07-26 3万+
本博记录为卤煮使用时的记录，属于事后回忆记录，如有疏漏，请指正。 卤煮：非文艺小燕儿 本博地址：ncnn:示例程序运行 感谢开源共享的各位大牛们，让我们能够站在巨人的肩膀上前行。 ncnn git：https://github.com/Tencent/ncnn ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无
腾讯神经网络推理框架NCNN试玩儿
tugouxp的专栏
07-05 2785
ncnn 是腾讯开源的神经网络推理框架，官方仓库有详细介绍： https://github.com/Tencent/ncnn.git 下面在普通PC的ubuntu18.04环境上搭建环境，运行一把。 1.下载代码： git clone https://github.com/Tencent/ncnn.git 2.配置环境： cd ncnn mkdir build cd build cmake -DCMAKE_BUILD_TYPE=relwithdebinfo -DNCNN_OPENMP=
NCNN使用总结
热门推荐
寂寞的小乞丐
06-19 9万+
ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。ncnn 目前已在腾讯多款应用中使用，如 QQ，Qzone，微信，天天P图等。
ncnn的完整编译过程
phmatthaus的专栏
06-14 5505
1. 下载工程源码： 登录到https://github.com/Tencent/ncnn网址，登录后页面如下图所示： 2. 选择git clone或zip download方式下载源码。 3. 进入到ncnn源码根目录： $ cd <ncnn-root-dir> 4. 创建build文件夹： $ mkdir build 5. 进入到build...
【NCNN解读】——examples部分
c20081052的专栏
03-22 3547
上一篇介绍了benchmark部分 本文针对NCNN项目https://github.com/Tencent/ncnn其结构，做第二部分，即examples部分的详解，进入ncnn/examples目录，你会看到如下文件： 首先 分析CMakeLists.txt内容： find_package(OpenCV QUIET COMPONENTS core highgui imgproc...
onnx2ncnn 模型转换工具
07-14
您好！对于您的问题，您可以使用 CSDN 开发的 'C知道' AI，我将为您提供关于onnx2ncnn模型转换工具的信息。 onnx2ncnn是一个用于将ONNX模型转换为NCNN模型的工具。ONNX是一个开放的深度学习框架中间表示格式，而NCNN是一个高效的神经网络计算库。通过使用onnx2ncnn，您可以将在ONNX格式下训练好的模型转换为NCNN格式，以便在移动设备或嵌入式系统上进行推理。 onnx2ncnn工具提供了一个命令行接口，可以通过命令行参数指定输入的ONNX模型文件和输出的NCNN模型文件。它还支持一些可选参数，如指定输入和输出的数据格式、指定输入数据的尺寸等。使用该工具，您可以轻松地将ONNX模型转换为NCNN模型，以便在您的应用中进行推理。 您可以在CSDN开发者社区中搜索关于onnx2ncnn模型转换工具的更多详细信息和使用示例。希望这个信息对您有帮助！如果您还有其他问题，请随时提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值