pytorch模型转ncnn，并移植android
模型转换
pytorch转onnx
import torch.utils.datafrom torch.autograd import Variablefrom squeezenet import squeezenet1_2import onnxruntimeimport numpy as npfrom onnxruntime.datasets import get_exampleimport cv2import onnxmodel_file = '/home/bbt/qinghua/detetion/pytorch-mobilenet/model/model_best_squeezenet1_2_age0.926.pth.tar'num_class =3# create modelmodel=squeezenet1_2(pretrained=False,num_classes=num_class)model = torch.nn.DataParallel(model)# optionally resume from a checkpointcheckpoint = torch.load(model_file)model.load_state_dict(checkpoint['state_dict'])model.to('cpu')model.eval()# model.cpu()#accuracy(mode)# dummy_input = Variable(torch.randn(1, 3, 224, 224))input=cv2.imread('/home/bbt/age00.jpg')input=cv2.resize(input,(224,224))input=np.transpose(input, (2, 0, 1)).astype(np.float32)now_image1 = Variable(torch.from_numpy(input))dummy_input = now_image1.unsqueeze(0)input_names=['input']output_names=['output']torch_out = torch.onnx._export(model.module, dummy_input, "/home/bbt/qinghua/detetion/pytorch-mobilenet/model/age.onnx", verbose=True, input_names=input_names, output_names=output_names)#test onnx modelexample_model = get_example('/home/bbt/qinghua/detetion/pytorch-mobilenet/model/age.onnx')sess = onnxruntime.InferenceSession(example_model)result = sess.run([output_name], {input_name: dummy_input.data.numpy()})np.testing.assert_almost_equal(torch_out.data.cpu().numpy(), result[0], decimal=3)print(result[0])转换后的模型保存在age.onnx，还需要对age.onnx模型进行简化，
python -m onnxsim age.onnx age-sim.onnx
得到age-sim.onnx文件，后续转ncnn模型使用这个。
###onnx模型转ncnn
编译ncnn：
1.编译本地ncnn
git clone https://github.com/Tencent/ncnn.git
cd ncnn
mkdir -p build
cd build
cmake …
make -j4
编译后，在目录ncnn/build/tools/caffe下，分别有ncnn2mem和caffe2ncnn两个可执行文件：
- caffe2ncnn 将caffemodel转换为ncnnmodel
- ncnn2mem 对模型进行加密操作
模型转换：
./onnx2ncnn age-sim.onnx age.param age.bin模型加密：
./ncnn2mem age.param age.bin age.id.h age.men.h会生成aeg.param.bin, age.id.h, age.mem.h。
android移植
新建android-ncnn工程，可以参考https://blog.csdn.net/qq_33431368/article/details/85009758。
或者直接下载编译好的工程，https://github.com/chehongshu/ncnnforandroid_objectiondetection_Mobilenetssd/tree/master/MobileNetSSD_demo_single，我们以这个工程为例，直接修改为自己的模型。
首先将自己的模型文件age.param.bin,age.bin，标签文件label.txt(每行对应标签名) 拷贝到ncnnforandroid_objectiondetection_Mobilenetssd/MobileNetSSD_demo_single/app/src/main/asset/.
将age.id.h文件拷贝到ncnnforandroid_objectiondetection_Mobilenetssd/MobileNetSSD_demo_single/app/src/main/cpp/
修改ncnnforandroid_objectiondetection_Mobilenetssd/MobileNetSSD_demo_single/app/src/main/cpp/MobileNetssd.cpp
文件：
修改include “MobileNetSSD_deploy.id.h” 为include “age.id.h”
####a.输入：
由于我的输入图片是直接cv2.imread(‘tupian.jpg’),读取的为bgr格式，因此修改输入为，
in = ncnn::Mat::from_pixels((const unsigned char*)indata, ncnn::Mat::PIXEL_RGBA2BGR, width, height);
由于我没有归一化，注释掉一下行，
const float mean_vals[3] = {127.5f, 127.5f, 127.5f}; const float scale[3] = {0.007843f, 0.007843f, 0.007843f}; in.substract_mean_normalize(mean_vals, scale);// 归一化
####b.模型输入、输出名修改
按照age.id.h的输入，输出名，修改输入输出，
// 如果不加密是使用ex.input(“data”, in);
// BLOB_data在id.h文件中可见，相当于datainput网络层的id
ex.input(age_param_id::BLOB_input, in);
// 如果时不加密是使用ex.extract(“prob”, out);
//BLOB_detection_out.h文件中可见，相当于dataout网络层的id,输出检测的结果数据
ex.extract(age_param_id::BLOB_output, out);
到此，模型可以正常预测了。
参考： 输入问题：https://github.com/Tencent/ncnn/wiki/FAQ-ncnn-produce-wrong-result 参考：https://blog.csdn.net/qq_33431368/article/details/85009758更多相关文章
随机推荐