「DLFramework」 caffe2NCNN: 分类网络
0 环境准备
1 caffe 模型
1.1 准备模型
常用分类模型
模型相关的文件有 train.prototxt
、deploy.prototxt
、snapshot_10000.caffemodel
,但部署的时候只需要 deploy.prototxt
和 caffemodel
;
1.2 转新版
ncnn 只支持转换新版的 caffe 模型;新版 caffe 框架中自带了转换的工具:
caffe/build/tool/upgrade_net_proto_text [老prototxt] [新prototxt]
caffe/build/tool/upgrade_net_proto_binary [老caffemodel] [新caffemodel]
1.3 参数修改
输入层改用 Input,因为每次只需要做一个图片,所以第一个 dim 设为 1
layer {
name: "data"
type: "Input"
top: "data"
input_param { shape: { dim: 1 dim: 3 dim: 227 dim: 227 } }
}
2 ncnn 模型
2.1 转换
build/tools/caffe/caffe2ncnn [input.prototxt] [input.caffemodel] [output.param] [output.bin]
2.2 加密
也就是去除可见字符串,此步骤可选;
param 和 bin 文件已经可以用了,但是 param 描述文件是明文的,容易被窥探到网络结构;故使用 ncnn2mem 工具转换为二进制描述文件和内存模型,生成 param.bin 和两个静态数组的代码文件:
build/tools/ncnn2mem [input.param] [input.bin] [output.id.h] [output.mem.h]
其实该操作加密性并不强
3 推理
3.1 加载模型
直接加载 param 和 bin:
ncnn::Net net;
net.load_param("alexnet.param");
net.load_model("alexnet.bin");
加载二进制的 param.bin 和 bin:
ncnn::Net net;
net.load_param_bin("alexnet.param.bin");
net.load_model("alexnet.bin");
从内存引用加载网络和模型,没有可见字符串,模型数据全在代码里头,没有任何外部文件;
另外,android apk 打包的资源文件读出来也是内存块;
#include "alexnet.mem.h"
ncnn::Net net;
net.load_param(alexnet_param_bin);
net.load_model(alexnet_bin);
以上三种都可以加载模型,其中内存引用方式加载是 zero-copy 的,所以使用 net 模型的来源内存块必须存在;
3.2 卸载模型
net.clear();
3.3 输入和输出
ncnn 的输入输出都是自己的 Mat 结构;
输入数据准备,按需进行预处理
#include "mat.h"
unsigned char* rgbdata;// data pointer to RGB image pixels
int w;// image width
int h;// image height
ncnn::Mat in = ncnn::Mat::from_pixels(rgbdata, ncnn::Mat::PIXEL_RGB, w, h);
const float mean_vals[3] = {104.f, 117.f, 123.f};
in.substract_mean_normalize(mean_vals, 0);
推理
#include "net.h"
ncnn::Mat in;
ncnn::Mat out;
ncnn::Extractor ex = net.create_extractor();
ex.set_light_mode(true);
ex.input("data", in);
ex.extract("prob", out);
如果是二进制的 param.bin 方式,没有可见字符串,利用 alexnet.id.h 的枚举来代替 blob 的名字
#include "net.h"
#include "alexnet.id.h"
ncnn::Mat in;
ncnn::Mat out;
ncnn::Extractor ex = net.create_extractor();
ex.set_light_mode(true);
ex.input(param_id::BLOB_data, in);
ex.extract(param_id::BLOB_prob, out);
获取 Mat 中的输出数据,Mat 内部的数据通常是三维的,c / h / w,遍历获得全部分类的得分
ncnn::Mat out_flatterned = out.reshape(out.w * out.h * out.c);
std::vector<float> scores;
scores.resize(out_flatterned.w);
for (int j=0; j<out_flatterned.w; j++)
{
scores[j] = out_flatterned[j];
}
4 某些使用技巧
4.1 Extractor 有个多线程加速的开关,设置线程数能加快计算
ex.set_num_threads(4);
Mat 转换图像的时候可以顺便转换颜色和缩放大小,这些顺带的操作也是有优化的 支持 RGB2GRAY GRAY2RGB RGB2BGR 等常用转换,支持缩小和放大
#include "mat.h"
unsigned char* rgbdata;// data pointer to RGB image pixels
int w;// image width
int h;// image height
int target_width = 227;// target resized width
int target_height = 227;// target resized height
ncnn::Mat in = ncnn::Mat::from_pixels_resize(rgbdata, ncnn::Mat::PIXEL_RGB2GRAY, w, h, target_width, target_height);
Net 有从 FILE* 文件描述加载的接口,可以利用这点把多个网络和模型文件合并为一个,分发时能方便些,内存引用就无所谓了
$ cat alexnet.param.bin alexnet.bin > alexnet-all.bin
#include "net.h"
FILE* fp = fopen("alexnet-all.bin", "rb");
net.load_param_bin(fp);
net.load_model(fp);
fclose(fp);
4.2 取特定层的值
打开 param 文件,第二列就是 Input,每一层的 Input 名称就是上一层的输出名称;
附录
A 资源汇总
1. 常用分类模型
网络 | ImageNet | Voc | |
---|---|---|---|
AlexNet | prototxt-caffemodel | ||
GoogLeNet | prototxt-caffemodel | ||
MobileNetV1 | model | ||
MobileNetV2 | model | ||
mobileNetV3 |
Comments