NCNN，protobuf编译

首先需要根据官方编译protobuf和NCNN 关于如何编译NCNN和 protobuf 的方式我是参考这个的。
https://blog.csdn.net/qq_36890370/article/details/104966786
本文主要的内容是如何使用cmake去配置NCNN环境，在编译这块不过多叙述。

文件放置

我们需要将NCNN和protobuf编译生成文件中的install目录下的bin，cmake，include，lib文件和并起来。如下图：

install位置

然后我们创建cmake工程。

cmake配置

同时需要注意配置opencv和ncnn的环境变量，这样cmake也可以直接搜索到cmake的第三方配置文件。

# CMakeList.txt: CMakeProject1 的 CMake 项目，在此处包括源代码并定义
# 项目特定的逻辑。
#
cmake_minimum_required (VERSION 3.8)
project (CMakeProject1)

#OPENCV
set(OpenCV_DIR  "D:/openCV/opencv/build/x64/vc15/lib")  #如果配置了opencv环境变量也不用加
find_package(OpenCV REQUIRED)
#添加头文件
include_directories(${OpenCV_INCLUDE_DIRS})

#NCNN
set(ncnn_DIR "D:/NCNN/ncnnDepen/lib/cmake/ncnn")  
find_package(ncnn REQUIRED)


# 将源代码添加到此项目的可执行文件。
add_executable (CMakeProject1 "CMakeProject1.cpp" "CMakeProject1.h")

#链接库文件
target_link_libraries(CMakeProject1 ${OpenCV_LIBS})
target_link_libraries(CMakeProject1 ncnn)

# TODO: 如有需要，请添加测试并安装目标。

模型验证

使用squeezenet验证NCNN环境是否配置上了，之所以使用squeezenet主要原因是因为NCNN官方github里面提供了权重也就是bin和params，在sample文件夹里，所以懒死我算了。具体代码如下，也可以直接copy NCNN包中sample下的squeezenet.cpp一样的。

// CMakeProject1.cpp: 定义应用程序的入口点。
//

#include "CMakeProject1.h"

#include "net.h"

#include <algorithm>
#if defined(USE_NCNN_SIMPLEOCV)
#include "simpleocv.h"
#else
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#endif
#include <stdio.h>
#include <vector>

using namespace std;
using namespace cv;

static int detect_squeezenet(const cv::Mat& bgr, std::vector<float>& cls_scores)
{
    //创建模型
    ncnn::Net squeezenet;
    squeezenet.opt.use_vulkan_compute = true;
    //读取权重网络结构
    if (squeezenet.load_param("D:/NCNN/ncnn-master/examples/squeezenet_v1.1.param"))
        exit(-1);
    if (squeezenet.load_model("D:/NCNN/ncnn-master/examples/squeezenet_v1.1.bin"))
        exit(-1);
    //将opencv转换为ncnn输入格式 大小为(227,227)
    ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR, bgr.cols, bgr.rows, 227, 227);

    const float mean_vals[3] = { 104.f, 117.f, 123.f };
    //对图像进行均值方差的操作  mean_vals表示为减去的均值  norm_vals表示为方差
    in.substract_mean_normalize(mean_vals, 0);
    //抽取模型
    ncnn::Extractor ex = squeezenet.create_extractor();
    //输入 这个根据use netron 查看入口，和出口
    ex.input("data", in);
    ncnn::Mat out;
    ex.extract("prob", out);

    cls_scores.resize(out.w);

    for (int j = 0; j < out.w; j++)
    {
        cls_scores[j] = out[j];
    }

    return 0;
}

static int print_topk(const std::vector<float>& cls_scores, int topk)
{
    // partial sort topk with index
    int size = cls_scores.size();
    std::vector<std::pair<float, int> > vec;
    vec.resize(size);
    for (int i = 0; i < size; i++)
    {
        vec[i] = std::make_pair(cls_scores[i], i);
    }

    std::partial_sort(vec.begin(), vec.begin() + topk, vec.end(),
        std::greater<std::pair<float, int> >());

    // print topk and score
    for (int i = 0; i < topk; i++)
    {
        float score = vec[i].first;
        int index = vec[i].second;
        fprintf(stderr, "%d = %f\n", index, score);
    }

    return 0;
}


int main()
{
    //读取图片
    const char* imagepath = "C:/Users/zheng/Pictures/lion.png";
    Mat m = imread(imagepath, 1);
    if (m.empty())
    {
        fprintf(stderr, "cv::imread %s failed\n", imagepath);
        return -1;
    }
    //设置置信度
    std::vector<float> cls_scores;

    detect_squeezenet(m, cls_scores);
    print_topk(cls_scores, 3);

    return 0;
}

模型执行成功就行了。

结果图