caffe模型转ncnn模型
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- 1
- 2
- 3
- 4
- 5
- 6
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- 1
- 2
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- 1
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- 1
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");- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
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& 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