（一）ncnn | Windows10 + VS2019环境配置

---

1. ncnn简介

$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$是一个为手机端极致优化的高性能神经网络前向计算框架，开源地址为ncnn。本文将介绍$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$在$\mathrm{W}\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{s}10$下的编译，并使用$\mathrm{V}\mathrm{S}2019$测试。最后，使用该仓库的$\mathrm{y}\mathrm{o}\mathrm{l}\mathrm{o}$-$\mathrm{f}\mathrm{a}\mathrm{s}\mathrm{t}\mathrm{e}\mathrm{s}\mathrm{t}$模型进行测试。

---

2. 相关依赖及软件安装

2.1 Visual Studio 2019

官网下载$\mathrm{V}\mathrm{S}2019$，工作负载选择情况如下：

安装结束。

2.2 CMake 3.18.0

官网下载相应版本，安装完成后需要配置环境变量。在此电脑=>高级系统设置=>环境变量的系统变量部分的Path添加$\mathrm{C}\mathrm{m}\mathrm{a}\mathrm{k}\mathrm{e}$的$\mathrm{b}\mathrm{i}\mathrm{n}$目录。使用命令行窗口测试是否安装成功：

2.3 OpenCV 3.4.10

首先在该地址下载$\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{v}3.4.10$，下载完成后安装即可。

2.4 protobuf 3.4.0

从该地址下载$\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{t}\mathrm{o}\mathrm{b}\mathrm{u}\mathrm{f}3.4.0$并解压，然后在开始菜单找到Visual Studio 2019=>x64 Native Tools Command Prompt for VS 2019（下同）并打开，输入以下命令编译$\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{t}\mathrm{o}\mathrm{b}\mathrm{u}\mathrm{f}3.4.0$：

> cd <protobuf-root-dir>
> mkdir build
> cd build
> 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

一路成功！$\mathrm{c}\mathrm{m}\mathrm{a}\mathrm{k}\mathrm{e}$暂时没有学习，所以现在还不明确其中使用的参数，不过这里的Release要和后面对应。

2.5 ncnn

从该仓库克隆后下载项目到本地。输入以下命令编译$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$：

> cd <ncnn-root-dir>
> mkdir build
> cd build
> cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=<protobuf-root-dir>/build/install/include -DProtobuf_LIBRARIES=<protobuf-root-dir>/build/install/lib/libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=<protobuf-root-dir>/build/install/bin/protoc.exe -DNCNN_VULKAN=OFF .. -DOpenCV_DIR=<opencv-root-dir>/build
> nmake
> nmake install

一路成功！这里的Release和上面对应，上面指令中的表示$\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{t}\mathrm{o}\mathrm{b}\mathrm{u}\mathrm{f}$的根目录，是$\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{v}$的根目录。

---

3. 项目配置

打开$\mathrm{V}\mathrm{S}2019$并新建一个空项目，新建yolo-fastest.cpp文件，内容如下（来自这里）：

#include "cpu.h"
#include "net.h"
#include "gpu.h"
#include "benchmark.h"
#include "datareader.h"

#include
#include
#include
#include
#include
#include

int demo(cv::Mat& image, ncnn::Net& detector, int detector_size_with, int detector_size_height) {
	// 检测类别
	static const char* class_names[] = {
		"background","aeroplane","bicycle","bird","boat",
		"bottle","bus","car","cat","chair","cow","diningtable",
		"dog","horse","motorbike","person","pottedplant","sheep",
		"sofa","train","tvmonitor"
	};

	cv::Mat bgr = image.clone();
	int image_width = bgr.cols;
	int image_height = bgr.rows;

	ncnn::Mat input = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR2RGB,
												    bgr.cols, bgr.rows, detector_size_with, detector_size_height);
	// 数据预处理
	const float mean_vals[3] = { 0.f, 0.f, 0.f };
	const float norm_vals[3] = { 1 / 255.f,1 / 255.f,1 / 255.f };
	input.substract_mean_normalize(mean_vals, norm_vals);

	ncnn::Extractor ex = detector.create_extractor();
	ex.set_num_threads(8);
	ex.input("data", input);
	ncnn::Mat out;
	ex.extract("output", out);

	for (int i = 0; i < out.h; ++i) {
		int label;
		float x1, y1, x2, y2, score;
		const float* values = out.row(i);

		label = values[0];
		score = values[1];
		x1 = values[2] * image_width;
		y1 = values[3] * image_height;
		x2 = values[4] * image_width;
		y2 = values[5] * image_height;
		// 处理越界坐标
		if (x1 < 0)x1 = 0;
		if (y1 < 0)y1 = 0;
		if (x2 < 0)x2 = 0;
		if (y2 < 0)y2 = 0;
		if (x1 > image_width)x1 = image_width;
		if (y1 > image_height)y1 = image_height;
		if (x2 > image_width)x2 = image_width;
		if (y2 > image_height)y2 = image_height;

		cv::rectangle(image, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 255, 0), 1, 1, 0);

		char text[256];
		sprintf_s(text, "%s %.1f%%", class_names[label], score * 100);
		int baseLine = 0;
		cv::Size label_size = cv::getTextSize(text, cv::FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
		cv::putText(image, text, cv::Point(x1, y1 + label_size.height),
			        cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
	}
	return 0;
}

int test() {
	// 定义yolo-fatest检测器
	ncnn::Net detector;
	detector.load_param("models/yolo-fastest/yolo-fastest.param");
	detector.load_model("models/yolo-fastest/yolo-fastest.bin");
	// 定义输入图像尺寸
	int detector_size_width = 300;
	int detector_size_height = 300;
	// 测试图像
	cv::Mat image = cv::imread("images/demo_1.jpg");
	// 调用函数开始检测
	demo(image, detector, detector_size_width, detector_size_height);
	// 显示检测结果
	cv::imshow("demo", image);
	cv::waitKey(0);
	return 0;
}

int main() {
	test();
	return 0;
}

依次点击视图=>其他窗口=>属性管理器，在Release | x64（与上面编译过程中的参数对应）处右击进入属性界面。点击VC++ 目录，在包含目录中依次添加如下内容：

<opencv-root-dir>/build/include 
<opencv-root-dir>/build/include/opencv 
<opencv-root-dir>/build/include/opencv2 
<ncnn-root-dir>/build/install/include/ncnn
<protobuf-root-dir>/build/install/include 

在库目录中依次添加如下内容：

<opencv-root-dir>/build/x64/vc15/lib
<ncnn-root-dir>/build/install/lib
<protobuf-root-dir>/build/install/lib

是$\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{v}$的根目录，上面指令中的表示$\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{t}\mathrm{o}\mathrm{b}\mathrm{u}\mathrm{f}$的根目录，是$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$的根目录。然后在属性界面选择链接器=>输入，在附加依赖项中依次添加如下内容：

ncnn.lib
libprotobuf.lib
opencv_world3410.lib

至此，项目的配置环境完成。在$\mathrm{V}\mathrm{S}2019$的运行窗口栏处依次选择Release和x64，与上面的选择对应。然后运行程序，得到检测结果：

---

4. 总结

本文主要介绍了$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$在$\mathrm{W}\mathrm{i}\mathrm{n}\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{s}10$下的编译，并使用$\mathrm{V}\mathrm{S}2019$测试。后续会继续介绍$\mathrm{C}\mathrm{M}\mathrm{a}\mathrm{k}\mathrm{e}$语句的内容和$\mathrm{n}\mathrm{c}\mathrm{n}\mathrm{n}$在安卓移动端的部署等内容。

---

参考

1. https://github.com/Tencent/ncnn.
2. https://github.com/dog-qiuqiu/Yolo-Fastest（模型及代码下载）.
3. https://www.cnblogs.com/fsong/p/10295183.html（opencv配置）.

---

完

---