[AI部署]（数据集的读写实现）_做ai部署需要会cmakelist吗-CSDN博客

本文链接：https://blog.csdn.net/weixin_38800498/article/details/123121129

文章目录

1.ubuntu
2.cmake
3.量化操作
4.实操量化

1.ubuntu

在这里插入图片描述

在嵌入式市场上linux占据霸主地位，基本绝大部分的嵌入式设备都是linux操作系统，android操作系统是基于linux操作系统进行开发的，它具有体积小、可裁减、运行速度高、良好的网络性能低成本、强大的定制功能以及良好的移植性能。
必须掌握的最基本操作

cp #拷贝
mv #移动
mkdir #创建文件夹
chmod #更改文件权限
ln #创建连接
ssh telnet #远程连接远程传输
scp tftp
pwd #查看当前路径
rm #删除
vi vim gedit #文本文件
tar zip #解压
sudo dpkg -i XXX.deb #dpkg安装文件
sudo apt-get install xxx #apt 安装

2.cmake

在这里插入图片描述

什么是Cmake?

Make:
make工具可以看成是一个智能的批处理工具，它本身并没有编译和链接的功能，而是用类似于批处理的方式—通过调用makefile文件中用户指定的命令来进行编译和链接的。

makefile在一些简单的工程完全可以人工手下，但是当工程非常大的时候，手写makefile也是非常麻烦的，如果换了个平台makefile又要重新修改
cmake:
CMake是一个跨平台的安装(编译)工具，可以用简单的语句来描述所有平台的安装(编译过程)，能够输出基于不同平台的makefile、project ，cmake不直接构建出最终的可执行文件，而是产生makefile之类的脚本，进而编译产生可执行文件。

其主要文件为： CmakLists.txt 与 xx.cmake

Cmake流程

在这里插入图片描述

CMakeLists.txt 常用变量

PROJECT_NAME: 工程名字
PROJECT_SOURCE_DIR：工程的根目录
PROJECT_BINARY_DIR：执行cmake命令的目录，一般是在build目录，在此目录执行cmake …

CMAKE_CURRENT_SOURCE_DIR：当前CMakeLists.txt文件所在目录

CMAKE_CURRENT_BINARY_DIR： target编译目录，可使用ADD_SUBDIRECTORY来修改此变量

SET(EXECUTABLE_OUTPUT_PATH ${PROJECT_BINARY_DIR}/bin) 可执行文件输出路径
SET(CMAKE_CXX_STANDARD 11) 设置c++最低版本
SET(CMAKE_CXX_COMPILER “/usr/bin/g++”) 设置c++编译器的路径

CMAKE_BINARY_DIR,PROJECT_BINARY_DIR,_BINARY_DIR：这三个变量内容一致指的就是工程编译发生的目录。

CMAKE_SOURCE_DIR,PROJECT_SOURCE_DIR,_SOURCE_DIR：这三个变量内容一致，都指的是工程的顶级目录。

CMAKE_CURRENT_BINARY_DIR: 外部编译时，指的是target目录，内部编译时，指的是顶级目录

CMAKE_CURRENT_SOURCE_DIR: CMakeList.txt所在的目录

CMAKE_CURRENT_LIST_DIR: CMakeList.txt的完整路径

CMAKE_CURRENT_LIST_LINE: 当前所在的行

CMAKE_MODULE_PATH: 如果工程复杂，可能需要编写一些cmake模块-，这里通过SET指定这个变量

LIBRARY_OUTPUT_DIR,BINARY_OUTPUT_DIR: 库和可执行的最终存放目录

cmake_minimum_required (VERSION 2.8) 	#最小cmake版本
project(demo)				#项目名称
add_library(test STATIC test.cpp)		#成成静态库
add_library(test SHARED test.cpp)		#生成动态库
add_executable(demo main.cpp util.cpp)	#生成可执行文件
file(GLOB SRC_LIST "*.cpp" "*.cc")		#查询一个目录下的文件 

include_directories(			#包含头文件地址 -I
    ${CMAKE_CURRENT_SOURCE_DIR}/include
)
link_directories(
    ${CMAKE_CURRENT_SOURCE_DIR}/lib64	#链接库的搜索路径 -L
)
target_link_libraries(demo student)		#链接库 -l
add_subdirectory(tools)			#编译子文件夹

message(WARNING "this is warnning message")	#打印信息

add_definitions("-DUSE_XX")			#设置宏定义 

set(SRC_LIST main.cpp test.cpp)		#设置变量
add_executable(demo ${SRC_LIST})

CMakeLists.txt 常用伪代码

cmak_minimum_required(VERSION 3.14)
project(test)
set(CMAKE_CXX_STANDARD 11)

include_directories(opencv_include)		#引用的头文件

link_directories(opencv_libs)			#引用的库文件

add_executable(test  ${src})			#编译源码生成可执行文件

target_link_libraries(test ${libs} opencv_world)	#编译源码所需要的库进行链接

3.量化操作

在这里插入图片描述
网络：Wx+b

在这里插入图片描述

链接

对噪声点不行

4.实操量化

备注：下文所说的根目录为ncnn你解压后的路径ncnn-master

一：
Ncnn量化主要是再build/tools/quantize中，相关的源码在ncnn根目录下的tools/quantize中。
在这里插入图片描述

二：
首先在根目录的examples下找到squeezenet_v1.1.param 与squeezenet_v1.1.bin这两个文件，这个就是ncnn官方自带的示例模型，我们接下来就是使用该模型进行量化。
在这里插入图片描述

可以点击squeezenet_v1.1.param进行模型结构查看。

三：
在build/tools/quantize下创建文件夹image;
并放入几张普通的rgb图片即可；
在这里插入图片描述

四：
生成量化所需的量化表
命令行进入 build/tools/quantize下，执行如下命令
在这里插入图片描述

五：模型量化
执行如下命令转换模型，生成的新的量化后的模型就在该目录下，大家可以查看一下，大小变成了1.3M，模型缩小了近3倍
在这里插入图片描述
然后把所获得ncnn参数和模型文件复制到ncnn/build/examples目录下，本文所用的squeezenet的ncnn文件在ncnn/examples中有提供。将模型.param和.bin文件复制到ncnn/build/examples目录下，然后终端cd到ncnn/build/examples，执行：