将mobilenet转ncnn，并用xcode跑起来

小灰灰 2022-03-25 05:10 237阅读 0赞

**目录**

1. 下载并编译ncnn

2. 下载MobileNet的caffe模型和配置文件

3. 旧版caffe模型转新版caffe模型

4. 新版caffe模型转ncnn模型

5. 开工：使用Xcode编写代码运行

--------------------

ncnn是腾讯优图最近开源的适合移动端的深度学习框架。mobileNet是谷歌在2017年4月份发表的论文MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications中提出的网络。由于引入了depthwise convolution，mobileNet的模型非常小，1000类的分类模型只有16.9M，很适合在移动端部署。本文尝试在Mac上用ncnn来运行mobileNet。

### **1. 下载并编译ncnn** ###

> git clone https://github.com/Tencent/ncnn  
> cd ncnn  
> mkdir build && cd build  
> cmake ..  
> make -j  
> make install

编译完成后在ncnn/build/tools 目录下，可以看到已经生成了 caffe2ncnn和ncnn2mem这两个可执行文件。caffe2ncnn可的作用是将caffe模型生成ncnn 模型，ncnn2mem可对模型进行加密。

### **2. 下载MobileNet的caffe模型和配置文件** ###

可从[https://github.com/shicai/MobileNet-Caffe][https_github.com_shicai_MobileNet-Caffe]中下载，下载后得到mobilenet\_deploy.prototxt和mobilenet.caffemodel两个文件。

### **3. 旧版caffe模型转新版caffe模型** ###

因为ncnn只支持转换新版的caffe模型，所以需要先把第二步下载的caffe模型转换为新版的caffe模型。新版caffe框架中自带了转换的工具，使用姿势如下。

> $ ~/caffe/build/tools/upgrade\_net\_proto\_text mobilenet\_deploy.prototxt mobilenet\_deploy\_new.prototxt  
> $ ~/caffe/build/tools/upgrade\_net\_proto\_binary mobilenet.caffemodel mobilenet\_new.caffemodel

###    **4. 新版caffe模型转ncnn模型** ###

在第一步生成的ncnn/build/tools目录下用caffe2ncnn来转换新版的mobileNet模型。

> $./caffe2ncnn mobilenet\_deploy\_new.prototxt mobilenet\_new.caffemodel mobilenet.param mobilenet.bin

注意生成的ncnn格式的模型中，.param可以理解为网络的配置文件，.bin可以理解为网络的参数（各种权重）文件。   
若需要对模型进行加密，可用如下命令

>  $./ncnn2mem mobilenet.param mobilenet.bin mobilenet.id.h mobilenet.mem.h

最后可生成 mobilenet.param.bin 这样的二进制加密文件。ncnn对加密和非加密两种文件的读取方式不一样。

> //load非加密的ncnn模型  
> ncnn::Net net;  
> net.load\_param("mobilenet.param");  
> net.load\_model("mobilenet.bin");  
> //load加密的ncnn模型  
> ncnn::Net net;  
> net.load\_param\_bin("mobilenet.param.bin");  
> net.load\_model("mobilenet.bin");

###    **5. 开工：使用Xcode编写代码运行** ###

使用Xcode新建一个工程，并把第一步中编译完成的ncnn库导入工程中。编译完成的ncnn lib在ncnn/build/install目录下。   
配置好ncnn库后，可以借鉴example下面的squeezenet.cpp代码进行mobileNet模型的部署。修改后的代码如下

>     static int detect_mobileNet(const cv::Mat& bgr, std::vector<float>& cls_scores)
>     {
>         ncnn::Net mobileNet;
>         mobileNet.load_param("/Users/Guigu/Documents/projects/ncnn_mobileNet/mobilenet.param");
>         mobileNet.load_model("/Users/Guigu/Documents/projects/ncnn_mobileNet/mobilenet.bin");
>     
>         ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR, bgr.cols, bgr.rows, 224, 224);
>     
>         const float mean_vals[3] = {103.94f, 116.78f, 123.68f};
>         const float norm_vals[3] = {0.017f,0.017f,0.017f};
>         in.substract_mean_normalize(mean_vals, norm_vals);
>     
>     
>         ncnn::Extractor ex = mobileNet.create_extractor();
>         ex.set_light_mode(true);
>     
>         ex.input("data", in);
>     
>         ncnn::Mat out;
>         ex.extract("fc7", out);  //此处与squeezenet不同
>     
>         cls_scores.resize(out.c);
>         for (int j=0; j<out.c; j++)
>         {
>             const float* prob = out.data + out.cstep * j;
>             cls_scores[j] = prob[0];
>         }
>     
>         return 0;
>     }

在main函数中调用该接口就OK了。

mobileNet识别的结果如下：

> detection time: 852ms  
> 917 = 13.889417 ( comic book)  
> 643 = 13.157956 ( mask)  
> 921 = 7.961194 ( book jacket, dust cover, dust jacket, dust wrapper)  
> Program ended with exit code: 0

细心的人可能观察到耗时比较长，原因是用Mac自带的编译器编ncnn的时候不能把openmp编进去。另外，Mac上也不能通过arm neon来加速（毕竟平台不一样嘛）。

> **Bonus**  
> 如果想编译源代码，可以把ncnn中src目录下的文件加上build/src下的platform.h layer\_registry.h 和layer\_declaration.h放到一起替换上面的ncnn lib进行源码的编译研究。

github资源：[https://github.com/Revo-Future/ncnn\_mobileNet][https_github.com_Revo-Future_ncnn_mobileNet]

转自：[https://blog.csdn.net/computerme/article/details/77876633][https_blog.csdn.net_computerme_article_details_77876633]

[https_github.com_shicai_MobileNet-Caffe]: https://github.com/shicai/MobileNet-Caffe
[https_github.com_Revo-Future_ncnn_mobileNet]: https://github.com/Revo-Future/ncnn_mobileNet
[https_blog.csdn.net_computerme_article_details_77876633]: https://blog.csdn.net/computerme/article/details/77876633