NCNN推理ResNet18

前一篇实现了OpenCV推理ResNet18, 这一篇采用腾讯的NCNN框架实现ResNet18推理。

一、准备

1、 NCNN编译及安装

同OpenCV推理一样，首先需要准备NCNN，NCNN源码编译及安装可参考：
https://www.cnblogs.com/xiaxuexiaoab/p/16416374.html

2、其他环境

Windows10
visual Studio 2019

二、NCNN推理ResNet18

1、模型转换

前面已经讲过如何将训练好的模型转换为ONNX格式，要采用NCNN完成推理，还需要进一步将ONNX格式模型转换成NCNN格式，如*.param, *.bin 。
param相应的格式说明可以参考：
https://www.cnblogs.com/xiaxuexiaoab/p/16420002.html
ONNX模型转换为NCNN格式可以参考：
https://www.cnblogs.com/xiaxuexiaoab/p/16638276.html
通常转换后都会调用ncnnoptimize对其进行优化，可以看到大小和参数量都会变少，这是因为对ncnn模型中部分算子进行合并优化等

以下是转换为param和简化后param的部分视图

2、模型加载

参考 https://www.cnblogs.com/xiaxuexiaoab/p/16638276.html，通常有4种加载方式，这里需要依据不同的转换格式，找到对应的加载方法

#include "ncnn/net.h"

    ncnn::Net net;
    // net.opt.use_vulkan_compute = true;
	//// 1.Load model
	//// --- method 1 ---
	//net.load_param(paramPath.c_str());
	//net.load_model(binPath.c_str());

	//// --- method 2 ---
	//net.load_param_bin(paramBinPath.c_str());
	//net.load_model(binPath.c_str());

	//// --- method 3 ---
	// // need #inlucde "test_sim.mem.h"
	//net.load_param(test_sim_param_bin);
	//net.load_model(test_sim_bin);

	//// --- method 4 --- 
	// Load Model
	// net.opt.use_vulkan_compute = true;

	FILE* fp = fopen(modelPath.c_str(), "rb");
	net.load_param_bin(fp);
	net.load_model(fp);
	fclose(fp);

	const std::vector<ncnn::Blob>& netBlobs = net.blobs();
	const std::vector<ncnn::Layer*>& netLayers = net.layers();
	std::cout << " blobs: " << netBlobs.size() << " layers: " << netLayers.size() << std::endl;

最后输出的blobs数量和layers数量能对应上param里面的数据，即表示加载成功。

3、数据预处理

还是依照python脚本对数据进行预处理

这里采用NCNN自带的一些处理工具，所以预处理转为C++代码如下所示

cv::Mat cvImg= cv::imread("./test.png");
if (cvImg.empty()) {
	// read img failed
	return false;
}
ncnn::Mat in = ncnn::Mat::from_pixels_resize(cvImg.data, ncnn::Mat::PIXEL_BGR2RGB, cvImg.cols, cvImg.rows, targetSize, targetSize);
const float MEANS[3] = { 123.675, 116.28, 103.53 };
const float STD[3] = { 1.0 / 58.395, 1.0 / 57.120, 1.0 / 57.375 }; 
input.substract_mean_normalize(MEANS, STD);

里面from_pixels_resize接口将CV::Mat cvImg 通道格式由BGR转换为RGB，并由（cvImg.cols, cvImg.rows）缩放至（targetSize, targetSize）大小。
后面substract_mean_normalize接口实现归一化, 注意：这里没有先除255.0将像素值归一化到[0, 1]，所以相应的值乘了255，而STD这里采用倒数，是该接口里面是采用乘法

4、模型推理

前面已经加载好了模型，并且数据进行了转换，接下来进行推理

ncnn::Extractor ex = net.create_extractor();
ex.set_num_threads(4);  
ex.input("input", input);
ncnn::Mat out;
ex.extract("output", out);

模型的推理结果已经存储到ncnn::Mat out里面，接下来对其进行解析即可得到类型。

ncnn::Layer* sigmoid = ncnn::create_layer("Sigmoid");
ncnn::ParamDict pd;
sigmoid->load_param(pd);

sigmoid->forward_inplace(out, net.opt);
float* outPtr = out.channel(0);   // here just deal with 2 class

int classId;
if (outPtr[0] > outPtr[1]) {
   classId = 0;
}
else {
   classId = 1;
}

以上操作对结果进行了sigmoid操作，输出的outPtr及对应类别的置信度。