【参考】Ubuntu下阿里MNN 模型的c++读取调用 - 知乎
这篇将整个过程归纳为以下5步:(1)创建Interpreter(2)调度配置ScheduleConfi(3)后端配置BackendConfig(4)创建session(5)输入数据(6)进行会话 并 获取输出(后处理)
Interpreter类是一个用于加载和运行推理模型的主要接口。它提供了加载、配置和运行神经网络模型的功能。
//只有一个构造函数
Interpreter(Content* net);
//禁用了Interpreter类的拷贝构造函数、移动构造函数、拷贝赋值运算符和移动赋值运算符。
Interpreter(const Interpreter&) = delete;
Interpreter(const Interpreter&&) = delete;
Interpreter& operator=(const Interpreter&) = delete;
Interpreter& operator=(const Interpreter&&) = delete;
对于net的创建,可以通过从文件或者buffer加载得到
static Interpreter* createFromFile(const char* file);
static Interpreter* createFromBuffer(const void* buffer, size_t size);
一个例子如下:
// 1. 创建Interpreter, 通过磁盘文件创建: static Interpreter* createFromFile(const char* file);
std::shared_ptr net(Interpreter::createFromFile(model_name));
通过下面提到的ScheduleConfig就可以创建
Session* createSession(const ScheduleConfig& config);
运行会话
net->runSession(session);
获取输入输出
auto inputTensor = net->getSessionInput(session,input_tensor.c_str()); //nullptr
MNN::Tensor *tensor_scores = net->getSessionOutput(session, nullptr); //output_tensor_name0.c_str()
用于配置计算图的调度参数。
主要关心并行数numThread和后端推理类型type
struct ScheduleConfig {
/** which tensor should be kept */
std::vector saveTensors;
/** 推理时,主选后端由type指定,默认为CPU。
在主选后端不支持模型中的算子时,启用由backupType指定的备选后端。*/
MNNForwardType type = MNN_FORWARD_CPU;
/** CPU:number of threads in parallel , Or GPU: mode setting*/
union {
int numThread = 4;
int mode;
};
/** subpath to run */
struct Path {...};
Path path;
/** 备份后端用于在指定的后端不支持任何op时创建执行 */
MNNForwardType backupType = MNN_FORWARD_CPU;
/** extra backend config */
BackendConfig* backendConfig = nullptr;
};
一个例子如下:
MNN::ScheduleConfig config;
// 2. 调度配置
// 一些任务调度中的配置参数
int forward = MNN_FORWARD_CPU;
// int forward = MNN_FORWARD_OPENCL;
int threads = 1;
// numThread决定并发数的多少,但具体线程数和并发效率,不完全取决于numThread
// 推理时,主选后端由type指定,默认为CPU。在主选后端不支持模型中的算子时,启用由backupType指定的备选后端。
config.numThread = threads;
config.type = static_cast(forward);
用于配置计算图的后端参数。它提供了一些选项,可以控制计算图的执行后端和相关设置。最终需要将其传入到 MNN::ScheduleConfig 类的backendConfig成员变量中
struct BackendConfig {
enum MemoryMode { Memory_Normal = 0, Memory_High, Memory_Low };
MemoryMode memory = Memory_Normal;
enum PowerMode { Power_Normal = 0, Power_High, Power_Low };
PowerMode power = Power_Normal;
enum PrecisionMode { Precision_Normal = 0, Precision_High, Precision_Low, Precision_Low_BF16 };
PrecisionMode precision = Precision_Normal;
/** user defined context */
union {
void* sharedContext = nullptr;
size_t flags; // Valid for CPU Backend
};
};
bool copyFromHostTensor(const Tensor* hostTensor);
bool copyToHostTensor(Tensor* hostTensor) const;
auto inputTensor = net->getSessionInput(session,input_tensor.c_str()); //nullptr
inputTensor->copyFromHostTensor(nhwc_Tensor);
图片的处理包括图片的预处理和将图片放入输入张量,预处理相对简单,这里主要来看一下将图片放入输入张量
(1)memcpy
std::vector dims{1, INPUT_SIZE, INPUT_SIZE, 3};
auto nhwc_Tensor = MNN::Tensor::create(dims, NULL, MNN::Tensor::TENSORFLOW);//DimensionType
auto nhwc_data = nhwc_Tensor->host();
auto nhwc_size = nhwc_Tensor->size();
::memcpy(nhwc_data, image.data, nhwc_size);
(2)使用指针
// 假设 inputTensor 是输入张量,inputImage 是输入图片数据
// 获取输入张量的指针和相关信息
float* inputData = inputTensor->host();
int inputWidth = inputTensor->width();
int inputHeight = inputTensor->height();
int inputChannels = inputTensor->channel();
// 遍历输入图片的像素,并将像素数据拷贝到输入张量
for (int y = 0; y < inputHeight; ++y) {
for (int x = 0; x < inputWidth; ++x) {
for (int c = 0; c < inputChannels; ++c) {
// 计算输入张量的索引
int inputIndex = c + x * inputChannels + y * inputWidth * inputChannels;
// 获取输入图片的像素值
cv::Vec3b pixel = inputImage.at(y, x);
float value = static_cast(pixel[c]);
// 将像素值拷贝到输入张量
inputData[inputIndex] = value;
}
}
}
获得输出之后,后处理部分可能要根据自己的模型进行特化处理
// 获取输出tensor
MNN::Tensor *tensor_scores = net->getSessionOutput(session, nullptr); //output_tensor_name0.c_str()
MNN::Tensor tensor_scores_host(tensor_scores, tensor_scores->getDimensionType());
auto scores_dataPtr = tensor_scores_host.host();
在QT中使用
#MNN
# Minimum required version of Qt
QT += core
# Project name
TARGET = Test
# C++ standard version
CONFIG += c++11
# OpenCV library
LIBS += -lopencv_core -lopencv_highgui -lopencv_imgproc
# MNN library
MNN_DIR = /home/eveing/DL/nlp/llm_deploy/MNN-master
INCLUDEPATH += $$MNN_DIR/include $$MNN_DIR/include/MNN $$MNN_DIR/tools $$MNN_DIR/tools/cpp $$MNN_DIR/source $$MNN_DIR/source/backend $$MNN_DIR/source/core
LIBS += -L$$MNN_DIR/build -lMNN
这里借鉴了Ubuntu下阿里MNN 模型的c++读取调用 - 知乎的模型
#include "Backend.hpp"
#include "Interpreter.hpp"
#include "MNNDefine.h"
#include "Interpreter.hpp"
#include "Tensor.hpp"
#include
#include
#include
#include
using namespace MNN;
using namespace cv;
int main(void)
{
// 填写自己的测试图像和mnn模型文件路径
std::string image_name = "/home/project/ForwardNet_Test/MNN-master/build/model/33.bmp";
const char* model_name = "/home/project/ForwardNet_Test/MNN-master/build/model/47.mnn";
// 一些任务调度中的配置参数
int forward = MNN_FORWARD_CPU;
// int forward = MNN_FORWARD_OPENCL;
int precision = 2;
int power = 0;
int memory = 0;
int threads = 1;
int INPUT_SIZE = 24;
cv::Mat raw_image = cv::imread(image_name.c_str());
//imshow("image", raw_image);
int raw_image_height = raw_image.rows;
int raw_image_width = raw_image.cols;
cv::Mat image;
cv::resize(raw_image, image, cv::Size(INPUT_SIZE, INPUT_SIZE));
// 1. 创建Interpreter, 通过磁盘文件创建: static Interpreter* createFromFile(const char* file);
std::shared_ptr net(Interpreter::createFromFile(model_name));
MNN::ScheduleConfig config;
// 2. 调度配置,
// numThread决定并发数的多少,但具体线程数和并发效率,不完全取决于numThread
// 推理时,主选后端由type指定,默认为CPU。在主选后端不支持模型中的算子时,启用由backupType指定的备选后端。
config.numThread = threads;
config.type = static_cast(forward);
MNN::BackendConfig backendConfig;
// 3. 后端配置
// memory、power、precision分别为内存、功耗和精度偏好
backendConfig.precision = (MNN::BackendConfig::PrecisionMode)precision;
backendConfig.power = (MNN::BackendConfig::PowerMode) power;
backendConfig.memory = (MNN::BackendConfig::MemoryMode) memory;
config.backendConfig = &backendConfig;
// 4. 创建session
auto session = net->createSession(config);
net->releaseModel();
clock_t start = clock();
// preprocessing
image.convertTo(image, CV_32FC3);
image = image*2 / 255.0f-1.0f;
// 5. 输入数据
// wrapping input tensor, convert nhwc to nchw
std::vector dims{1, INPUT_SIZE, INPUT_SIZE, 3};
auto nhwc_Tensor = MNN::Tensor::create(dims, NULL, MNN::Tensor::TENSORFLOW);
auto nhwc_data = nhwc_Tensor->host();
auto nhwc_size = nhwc_Tensor->size();
::memcpy(nhwc_data, image.data, nhwc_size);
std::string input_tensor = "input_image";
// 获取输入tensor
// 拷贝数据, 通过这类拷贝数据的方式,用户只需要关注自己创建的tensor的数据布局,
// copyFromHostTensor会负责处理数据布局上的转换(如需)和后端间的数据拷贝(如需)。
auto inputTensor = net->getSessionInput(session,input_tensor.c_str()); //nullptr
inputTensor->copyFromHostTensor(nhwc_Tensor);
// 6. 运行会话
net->runSession(session);
// 7. 获取输出
std::string output_tensor_name0 = "prob/Softmax";
// 获取输出tensor
MNN::Tensor *tensor_scores = net->getSessionOutput(session, nullptr); //output_tensor_name0.c_str()
MNN::Tensor tensor_scores_host(tensor_scores, tensor_scores->getDimensionType());
// 拷贝数据
tensor_scores->copyToHostTensor(&tensor_scores_host);
printf("score of every class:");
tensor_scores_host.print();
// post processing steps
auto scores_dataPtr = tensor_scores_host.host();
// softmax
float exp_sum = 0.0f;
for (int i = 0; i < 2; ++i)
{
float val = scores_dataPtr[i];
exp_sum += val;
}
// get result idx
int idx = 0;
float max_prob = -10.0f;
for (int i = 0; i < 2; ++i)
{
float val = scores_dataPtr[i];
float prob = val / exp_sum;
if (prob > max_prob)
{
max_prob = prob;
idx = i;
}
}
printf("output belong to class: %d\n", idx);
return 0;
}