NCNN框架使用教程及迁移学习

最新推荐文章于 2022-05-27 10:05:11 发布

飏”

最新推荐文章于 2022-05-27 10:05:11 发布

阅读量2.1k

点赞数 1

文章标签：深度学习迁移学习人工智能 android

本文链接：https://blog.csdn.net/qq_35996035/article/details/123627917

版权

NCNN开源框架使用教程（PC端）

测试平台：Ubuntu18.04（x64）

测试SqueezeNet开源学习模型在NCNN上的调用（PC端）
对ncnn进行编译
$ cd
$ mkdir –p build
$ cd build
$ cmake …
$ make –j4

编译完成后，复制examples目录下SqueezeNet模型的参数模型文件到build/examples目录下
$ copy examples/squeezenet_v1.1.param to build/examples
$ copy examples/squeezenet_v1.1.bin to build/examples
$ copy examples/synset_words.txt to build/examples
导入一张图片到build/examples文件夹内，然后开始预测。
$ cd build/examples
$ ./squeezenet yourimage.jpg

NCNN开源框架使用教程（Android端）

测试SqueezeNet开源学习模型在NCNN上的调用（Android端）

打开Android Studio，更新里面的cmake，sdk，ndk保持最新版本或者符合ncnn版本的要求（本文使用的环境是cmake3.15，sdkr24，ndk）

建立armv7依赖库
$ cd
$ mkdir –p build-android-armv7
$ cd build-android-armv7
$ cmake –DCMAKE_TOOLCHAIN_FILE=$ANDROID_NDK/build/cmake/android.toolchain.cmake\ -DANDROID_ABI=”armeabi-v7a” –DANDROID_ARM_NEON=ON\ -DANDROID_PLATFORM=android-24 –DNCNN_VULKAN=OFF …
$ make –j4
$ make install

建立aarch64依赖库
$ cd
$ mkdir –p build-android-aarch64
$ cd build-android-aarch64
$ cmake –DCMAKE_TOOLCHAIN_FILE=$ANDROID_NDK/build/cmake/android.toolchain.cmake\ -DANDROID_ABI=”arm64-v8a” –DANDROID_ARM_NEON=ON\ -DANDROID_PLATFORM=android-24 –DNCNN_VULKAN=OFF …
$ make –j4
$ make install
注：这里如果使用的是GPU请安装GPU所需相关组件，并把DNCNN_VULKAN设置为ON

打开Android Studio新建一个C++支持的Android工程，命名为squeezenet
在app/src/main中新建assets文件夹，将参数模型文件squeezenet_v1.1.bin、squeezenet_v1.1.param.bin以及类别标签文件synset_words.txt复制到该文件夹下；
在app/src/main/java中的MainActivity中进行模型导入以及调用的编码，并且新增NcnnJni导入库文件以及PhotoUtil图片处理两个java类；
在app/src/main中新增jinLibs文件夹，用来存放准备调用模型的依赖库，在里面分别建立armeabi-v7a、armeabi-v8a、armeabi文件夹，用来存放之前在PC端编译过的Android依赖库，即build-android-armv7/install/lib/libncnn.a、build-android-aarch64/install/lib/libncnn.a，剩余为空；
在app/src/cpp文件夹下新建squeezencnn_jni.cpp和头文件squeezenet_v1.1.id.h，从编译文件中的install文件夹找到include文件夹，导入到cpp文件夹中，作为头文件的集合；
修改app文件夹中的CmakeLists.txt文件，修改对应版本号，修改各个文件及依赖库的对应路径，详见squeezenet文件夹中的例子；
修改app/build.gradle中的
defaultConfig{
externalNativeBuild{
cmake{
cppFlags “-std=c++11 -fopenmp”
abiFilters “armeabi-v7a”
}
}
}
externalNativeBuild{
cmake{
path “CmakeLists.txt”
version “3.10.2”
}
sourceSets{
main{
jniLibs.srcDirs=[“/src/main/jniLibs”]
jni.srcDirs=[‘src/cpp’]
}
}
修改squeezenet主目录下的local.properties中sdk.dir的绝对路径，增加ndk.dir的绝对路径，
例：ndk.dir=/opt/android/android-sdk-linux/ndk-bundle
sdk.dir=/opt/android/android-sdk-linux
修改app\src\res\layout\activity_main.xml文件，对安卓端的界面布局进行修改，可以参考本文squeezenet例子，也可以参考本文例子后定制自己喜欢的风格；

大功告成后，即可进行build对该工程进行编译生成.apk文件了。

本文中所采用的squeezenet的模型文件均是开源的深度学习框架模型，使用均是官方进行训练的ImageNet公共图片数据集，如何使用自己的数据集并且训练出符合自己数据集特点的模型呢？

以下为本文采用的基于caffe的迁移学习内容，使用squeezenet深度学习开源模型进行数据集的预训练，即用开源的模型对自己所要预测的数据集进行特征提取，在特征提取基础上对这些特征和类别进行训练，得到特征和类别的映射关系，从而完成对自己数据集的预测，具体步骤如下：

去github找到squeezenet的开源学习模型并下载，其中包括SqueezeNet_v1.0（内含train_val.prototxt、deploy.prototxt、solver.prototxt和squeezenet_v1.0.caffemodel）和SqueezeNet_v1.1（内含train_val.prototxt、deploy.prototxt、solver.prototxt和squeezenet_v1.1.caffemodel）
caffe文件夹内新建build文件夹，然后进入文件夹进行编译；
将SqueezeNet_v1.0复制到caffe/examples中；
标记分类样本，将训练、验证和测试图片分别放在SqueezeNet_v1.0下子目录train、val和test下，创建train.txt、val.txt，test.txt格式如下：
照片名分类label
生成训练和测试集（本例用lmdb格式），编辑shell脚本createTrainLmdb.sh、createValLmdb.sh
生成图像均值文件mean.binaryproto，编辑shell脚本createMeanfile.sh
另存一份.npy格式的图像均值文件，编辑binary-to-npy.py文件，运行成功后得到mean.npy供后续预测调用。
修改SqueezeNet网络模型参数，其中train_val.prototxt为训练模型文件，deploy.prototxt为测试模型文件，solver.prototxt为训练参数配置文件。
修改train_val.prototxt，指定自己的训练集路径和batch_size
transform_param{
mean_file:”自己的绝对路径/mean.binaryproto”
}
data_param{
source:”自己的绝对路径/lmdb/trainlmdb”
batch_size:16
backend:LMDB
}
transform_param{
mean_file:”自己的绝对路径/mean.binaryproto”
}

data_param{
source:”自己的绝对路径/lmdb/vallmdb”
batch_size:16
backend:LMDB
}
10) 修改train_val.prototxt最后一层卷积网络名称conv10为conv11（所有的conv10都需要改成conv11），将conv11 output_num 1000改为最终分类数，top 5改成最终分类数。将deploy.prototxt中相同的参数做相同的修改。
调整slover.prototxt中相关参数，具体参数意义如下：
net: “examples/AAA/train_val.prototxt” #训练或者测试配置文件
test_iter: 40 #完成一次测试需要的迭代次数
test_interval: 475 #测试间隔
base_lr: 0.01 #基础学习率
lr_policy: “step” #学习率变化规律
gamma: 0.1 #学习率变化指数
stepsize: 9500 #学习率变化频率
display: 20 #屏幕显示间隔
max_iter: 47500 #最大迭代次数
momentum: 0.9 #动量
weight_decay: 0.0005 #权重衰减
snapshot: 5000 #保存模型间隔
snapshot_prefix: “models/A1/caffenet_train” #保存模型的前缀
solver_mode: GPU #是否使用GPU

*注：

####训练样本###
总共:121368个
batch_szie:256
将所有样本处理完一次（称为一代，即epoch)需要：121368/256=475 次迭代才能完成
所以这里将test_interval设置为475，即处理完一次所有的训练数据后，才去进行测试。所以这个数要大于等于475.
如果想训练100代，则最大迭代次数为47500；
####测试样本###
同理，如果有1000个测试样本，batch_size为25，那么需要40次才能完整的测试一次。所以test_iter为40；这个数要大于等于40.
####学习率###
学习率变化规律我们设置为随着迭代次数的增加，慢慢变低。总共迭代47500次，我们将变化5次，所以stepsize设置为47500/5=9500，即每迭代9500次，我们就降低一次学习率。

编辑shell脚本train.sh
执行./train.sh开始训练，迭代得到训练完成的.caffemodel
编辑main.py，通过python对测试图片进行加载，处理并加载.caffemodel和deploy.prototxt模型参数文件，将图片导入模型中，并且依据test.txt的分类标签对输出结果进行处理得到最终预测分类结果。*

飏”

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
NCNN框架使用教程及迁移学习

NCNN开源框架使用教程（PC端）测试平台：Ubuntu18.04（x64）测试SqueezeNet开源学习模型在NCNN上的调用（PC端）对ncnn进行编译$ cd $ mkdir –p build$ cd build$ cmake …$ make –j4编译完成后，复制examples目录下SqueezeNet模型的参数模型文件到build/examples目录下$ copy examples/squeezenet_v1.1.param to build/examples$ cop
复制链接

扫一扫