本文共 2842 字，大约阅读时间需要 9 分钟。

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/ncnncd ncnnmkdir build && cd buildcmake ..make -jmake install

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

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

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。

$./ncnn2mem mobilenet.param mobilenet.bin mobilenet.id.h mobilenet.mem.h

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");

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。

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
   

在main函数中调用该接口就OK了。

下面这张图是我测试的图

mobileNet识别的结果如下：

detection time: 852ms917 = 13.889417 ( comic book)643 = 13.157956 ( mask)921 = 7.961194 ( book jacket, dust cover, dust jacket, dust wrapper)Program ended with exit code: 0

细心的人可能观察到耗时比较长，原因是用Mac自带的编译器编ncnn的时候不能把openmp编进去。另外，Mac上也不能通过arm neon来加速（毕竟平台不一样嘛）。

完整的工程地址：

Bonus

如果想编译源代码，可以把ncnn中src目录下的文件加上build/src下的platform.h layer_registry.h 和layer_declaration.h放到一起替换上面的ncnn lib进行源码的编译研究。

Reference: