1 ncnn深度学习框架
1.1 ncnn简介
ncnn 是腾讯优图实验室首个开源项目，为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。ncnn 目前已在腾讯多款应用中使用，如 QQ，Qzone，微信，天天P图等。同样的，ncnn适用于嵌入式平台，可以明显的提高深度学习算法模型在嵌入式平台上的运算速度。如图1，在手机上的识别示例。左图为使用Mobile netSSD实现目标检测；右图为人脸检测。
图1
1.2 ncnn优势
ncnn主要有以下几个优点：
（1）支持卷积神经网络，支持多输入和多分支结构，可计算部分分支；
（2）除OPENCV外（即使没有ncnn，做图像处理，也必要的库），无任何第三方库依赖，不依赖 BLAS/NNPACK 等计算框架，极大的的降低了对嵌入式系统的性能要求，同时也降低了开发人员在搭建环境时的工作。
（3）纯 C++ 实现，可以实现跨平台编程。
（4）支持多核并行计算加速，ARM big.LITTLE cpu 调度优化。
（5）整体库体积小于 500K，并可轻松精简到小于 300K。
（6）可扩展的模型设计，支持 8bit 量化和半精度浮点存储。
（7），可导入 caffe 模型，对pytorch、tensorflow模型也有很好的支持。
2 搭建ncnn深度学习框架
2.1 准备
安装cmake。
安装一些依赖库。
- apt-get install -y gfortran
- apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
- apt-get install --no-install-recommends libboost-all-dev
- apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev libatlas-base-dev
图2
没unzip的，使用：apt install unzip安装一个。
2.2 编译
在ncnn-master目录下，创建build文件夹。
- cd ncnn-master
- mkdir build
进入build文件夹。
3 测试ncnn
在编译完成的build文件夹下，examples文件夹，里面有编译好的例子，模型在各自对应的cpp文件（ncnn-master/examples/ 文件夹下）里面都有链接，可以选择下载。tools文件夹下，有转换ncnn模型的工具（最新版只有caffer转ncnn的工具）
图3
测试mobilenetV2-ssd。识别效果还可以。测试中，识别一张图片的时间大约在200MS左右，如果再进一步优化模型，速度还可以有大幅度的提升。
图4
查看系统占用率：
图5
可以看到ncnn，可以充分的调用cpu的每个核心的资源。
至此，ncnn环境搭建完成。
| 
#板卡评测
5562 人阅读
|
1 人回复
|
2020-12-02
/3 
