1: Donnez d'abord quelques URL d'outils pour télécharger
(1) protobuf: https://github.com/protocolbuffers/protobuf/releases/tag/v3.7.1 (J'utilise protobuf-all-3.7.1.zip Version)
(2) onnx-simplifier
https://github.com/daquexian/onnx-simplifier (notez qu'il n'est pas nécessaire de télécharger, utilisez simplement pip pour installer, les instructions d'installation sont: pip install onnx-simplifier)
(3) ncnn
https: //github.com/Tencent/ncnn
2: Compiler protobuf avec cmake
(1) Créer un nouveau dossier nommé mybuild-vs2015 dans le répertoire protobuf-3.7.1
(2) Utiliser l'invite de commande de l'outil natif VS2015 x64 pour entrer Décompressez le répertoire
cd / d D: \ onnx_android_ncnn \ protobuf-all-3.7.1-test \ protobuf-3.7.1 \ build-vs2015
(3) cmake -G "NMake Makefiles" -DCMAKE_BUILD_TYPE = Release -DCMAKE_INSTALL_PREFIX =% cd% / install -Dprotobuf_BUILD_TESTS = OFF -Dprotobuf_MSVC_STATIC_RUNTIME = OFF… / cmake
nmake
nmake install
Une fois la compilation terminée, il y a 4 dossiers sous le dossier d'installation: bin, camke, include, lib
3: compile ncnn
(1) crée un nouveau dossier nommé mybuild-vs2015 dans le répertoire ncnn-master
(2) utilise VS2015 x64 L'invite de commande de l'outil natif entre dans le répertoire de décompression
(3)
cmake -G "NMake Makefiles" -DCMAKE_BUILD_TYPE = Release -DCMAKE_INSTALL_PREFIX =% cd% / install
-DProtobuf_INCLUDE_DIR = D: /onnx_android_ncnn/protobuf-all-3.7.1-test protobuf-3.7.1 / build-vs2015 / install / include
-DProtobuf_LIBRARIES = D: /onnx_android_ncnn/protobuf-all-3.7.1-test/protobuf-3.7.1/build-vs2015/install/lib/libprotobuf.lib
-DProtobuf_PROTOC_EXECABLE = D: /onnx_android_ncnn/protobuf-all-3.7.1-test/protobuf-3.7.1/build-vs2015/install/bin/protoc.exe ...
nmake
nmake install
4: Conversion de modèle:
(1)
Entrez le code:
import torch
import torchvision
import torch.onnx
import cv2 as cv
mean = torch.tensor ([0.485, 0.456, 0.406], dtype = torch.float32)
std = torch.tensor ([0.229, 0.224, 0.225], dtype = torch.float32)
model = torchvision.models.resnet18 (pretrained = True)
x = torch.Tensor (cv.cvtColor (cv.resize (cv.imread ('11 .jpg '), (224,224)), cv.COLOR_BGR2RGB)). float ( ) /255.0
x = (x-mean) / std
x = x.contiguous ()
x = torch.Tensor.unsqueeze (x.permute ([2,0,1]), dim = 0)
model.eval ()
with torch.no_grad ():
pre = torch.Tensor.argmax (model (x))
torch_out = torch.onnx._export (model, x, “resnet18.onnx”, export_params = True, keep_initializers_as_inputs = True)
pre1 = torch.Tensor .argmax (torch_out, 1)
print (pre, pre1)
(Remarque: keep_initializers_as_inputs = True doit être défini sur True, sinon une erreur sera signalée lorsque le modèle sera simplifié)
(2) Simplification du modèle
python -m onnxsim resnet18.onnx resnet18-sim.onnx
(3) Get ncnn Fichier bin et fichier param
reconnus onnx2ncnn resnet18-sim.onnx resnet18-sim.param resnet18-sim.bin
Convertir le modèle Pytorch en ncnn modèle disponible sous Windows
Je suppose que tu aimes
Origine blog.csdn.net/qq_34291583/article/details/102838598
conseillé
Classement