目录

基础知识（个人理解，感谢纠正）

大致流程

一、pth转onnx

二、onnx转ncnn

1、准备一个cmake环境

 2、编译protobuf

3、编译NCNN

4、使用onnx2ncnn.exe工具

踩坑

预告

基础知识（个人理解，感谢纠正）

1、pth模型的输入可以动态变化，一次输入一张图就传[1,3,224,224]，一次输入多张图就传[n,3,224,224]，但是onnx不行，它只支持固定输入（虽然有方法改，这里先不讲😅，因为我没试过）。所以要确定你的onnx模型的输入尺寸。

大致流程

.pth模型——.onnx文件——.param文件和.bin文件(NCNN)——安卓部署

 

一、pth转onnx

需要准备pth权重、模型的代码。在一般训练torch模型的环境的基础上，安装onnx-simplifier（这是一个精简onnx模型的库）

pip install onnx-simplifier

然后进行转换，下面的代码根据自己的需求进行改动。

import torch
import numpy as np
import onnx
from PIL import Image
import matplotlib.pyplot as plt
from models.efficientnet_cbam import mymodel
from onnxsim import simplify


def softmax_2D(X):
    """
    针对二维numpy矩阵每一行进行softmax操作
    X: np.array. Probably should be floats.
    return: 二维矩阵
    """
    # looping through rows of X
    #   循环遍历X的行
    ps = np.empty(X.shape)
    for i in range(X.shape[0]):
        ps[i, :] = np.exp(X[i, :])
        ps[i, :] /= np.sum(ps[i, :])
    return ps


def model_convert_onnx(model, input_shape, output_path, device):
    dummy_input = torch.randn(1, 3, input_shape[0], input_shape[1])
    dummy_input = dummy_input.to(device)
    input_names = ["input1"]
    output_names = ["output1"]

    torch.onnx.export(
        model,
        dummy_input,
        output_path,
        verbose=True,
        keep_initializers_as_inputs=True,
        do_constant_folding=True,  # 是否执行常量折叠优化
        opset_version=11,  # 版本通常为10 or 11
        input_names=input_names,
        output_names=output_names,
    )


def check_onnx_2(model, ort_session, input_shape, device):
    # -----------------------------------#
    # 给个模型输入，分辨率要对
    # -----------------------------------#
    x = torch.randn(size=(1, 3, input_shape[0], input_shape[1]), dtype=torch.float32)

    # -----------------------------------#
    # torch模型推理
    # -----------------------------------#
    with torch.no_grad():
        torch_out = model(x.to(device))
    # print(torch_out)            # tensor([[-0.5728,  0.1695, -0.3256,  1.1357, -0.4081]])
    # print(type(torch_out))      # <class 'torch.Tensor'>

    # -----------------------------------#
    # onnx模型推理
    # -----------------------------------#
    ort_inputs = {ort_session.get_inputs()[0].name: x.numpy()}  # 初始化数据，注意这儿的x是上面的输入数据x，后期应该是img
    ort_outs = ort_session.run(None, ort_inputs)  # 推理得到输出
    # print(ort_outs)             # [array([[-0.5727689 ,  0.16947027, -0.32555276,  1.13574   , -0.40812433]], dtype=float32)]
    # print(type(ort_outs))       # <class 'list'>，里面是个numpy矩阵
    # print(type(ort_outs[0]))    # <class 'numpy.ndarray'>
    ort_outs = ort_outs[0]  # 因此这儿需要把内部numpy矩阵取出来，这一步很有必要

    # print(torch_out.numpy().shape)      # (1, 5)，1张图片，该图片属于5个类别的概率
    # print(ort_outs.shape)               # (1, 5)

    # ---------------------------------------------------------#
    # 比较实际值与期望值的差异，通过没啥事，不通过引发AssertionError
    # 这儿需要两个numpy输入
    # ---------------------------------------------------------#
    # 如果想把CUDA tensor格式的数据改成numpy时，需要先将其转换成cpu float-tensor随后再转到numpy格式。
    # numpy不能读取CUDA tensor 需要将它转化为 CPU tensor
    # 解决方法：将报错代码self.numpy()改为self.cpu().numpy()即可
    np.testing.assert_allclose(torch_out.cpu().numpy(), ort_outs, rtol=1e-03, atol=1e-05)


def check_onnx_3(ort_session, img, input_shape):
    # ----------------------------------------------------------------#
    # 图像预处理，包括resize，归一化，减均值，除方差，HWC变为CHW，添加batch维度
    # ----------------------------------------------------------------#
    img = img.convert('RGB')
    img_resize = img.resize(input_shape, Image.BICUBIC)  # PIL.Image类型
    # PIL.Image类型无法直接除以255，需要先转成array
    img_resize = np.array(img_resize, dtype='float32') / 255.0
    img_resize -= [0.485, 0.456, 0.406]
    img_resize /= [0.229, 0.224, 0.225]
    img_CHW = np.transpose(img_resize, (2, 0, 1))
    # ---------------------------------------------------------#
    #   添加batch_size维度，缺少这个维度，网络没法预测
    # ---------------------------------------------------------#
    img = np.expand_dims(img_CHW, 0)

    # -----------------------------------#
    #   class_indict用于可视化类别
    # -----------------------------------#

    # -----------------------------------#
    # onnx模型推理
    # 初始化数据，注意此时img是numpy格式
    # -----------------------------------#
    ort_inputs = {ort_session.get_inputs()[0].name: img}
    ort_outs = ort_session.run(None, ort_inputs)  # 推理得到输出
    # print(ort_outs)     # [array([[-4.290639  , -2.267056  ,  7.666328  , -1.4162455 ,  0.57391334]], dtype=float32)]

    # -----------------------------------#
    # 经过softmax转化为概率
    # softmax_2D按行转化，一行一个样本
    # -----------------------------------#
    predict_probability = softmax_2D(ort_outs[0])
    # print(predict_probability)  # array([[0.1],[0.2],[0.3],[0.3],[0.1]])

    # -----------------------------------#
    # argmax得到最大概率索引，也就是类别对应索引
    # -----------------------------------#
    predict_cla = np.argmax(predict_probability, axis=-1)
    # print(predict_cla)        # array([2])

    print_res = "class: {}   prob: {:.3}".format(str(predict_cla[0]),
                                                 predict_probability[0][predict_cla[0]])
    plt.title(print_res)
    for i in range(len(predict_probability[0])):
        print("class: {:10}   prob: {:.3}".format(str(i),
                                                  predict_probability[0][i]))
    plt.show()


def model_sim(output_path):
    onnx_model = onnx.load(output_path)  # load onnx model
    model_simp, check = simplify(onnx_model)
    assert check, "Simplified ONNX model could not be validated"
    sim_name = output_path.replace(".onnx", "_sim.onnx")
    onnx.save(model_simp, sim_name)
    print('finished exporting onnx')


if __name__ == '__main__':
    # # -------------------------#
    # #   转换模型
    # # -------------------------#
    # # onnx模型输出到哪里去
    output_path = './output/mymodel.onnx'
    # # 导出onnx模型的输入尺寸，要和pytorch模型的输入尺寸一致
    input_shape = (480, 480)
    # create model
    # device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    device = torch.device("cpu")
    #构建自己的模型
    model = mymodel()
    # 分布式训练的模型需要改名称
    # model.load_state_dict({k.replace('module.', ''): v for k, v in torch.load("weights/netCrnn_pj.pth").items()})
    # 加载自己的权重
    model.load_state_dict(torch.load("weights/mymodel.pth", map_location=device))
    # print(model)
    # 因为BN、dropout的存在，所以这儿要转成eval()模式
    model.eval()
    # # ------------------------------------------#
    # #   pth模型转换为onnx模型，转换完成后，可注释掉
    model_convert_onnx(model, input_shape, output_path, device)
    print("model convert onnx finsh.")

    # -------------------------#
    #   第一轮验证
    onnx_model = onnx.load(output_path)
    onnx.checker.check_model(onnx_model)
    print("第一轮验证：onnx model check_1 finsh.")

    # # -------------------------#
    # #   第二轮验证
    # # 初始化onnx模型
    # ort_session_1 = onnxruntime.InferenceSession(output_path)
    # check_onnx_2(model, ort_session_1, input_shape, device)
    # print("onnx model check_2 finsh.")

    # -------------------------#
    #   第三轮验证
    # # load image
    # img_path = "./data/bird1.jpg"
    # assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path)
    # img = Image.open(img_path)
    # plt.imshow(img)
    # # 加载onnx模型
    # ort_session_2 = onnxruntime.InferenceSession(output_path)
    # check_onnx_3(ort_session_2, img, input_shape)
    # print("onnx model check_3 finsh.")

    # -------------------------#
    #   进行模型精简
    model_sim(output_path)

有以下注意的地方：

  1. 修改保存onnx的目录
  2. 设计模型的输入
  3. 如果模型是分布式训练的，需要修改模型的名称，以load权重。
  4. 有三轮验证，一二轮都是检查，第三轮是调用onnx进行一次推理。
  5. 进行模型精简是为了解决一些shape not supported yet! unknown data type 0之类的问题。

以上你就得到了onnx模型。

二、onnx转ncnn

这一步有两个目的，一是获得onnx2ncnn.exe这个转换工具，二是获得编译好的ncnn库文件。

1、准备一个cmake环境

官网下载cmake

win平台下载这个，然后解压。

把bin目录添加到环境变量，比如

D:\cmake\bin

 测试安装

cmake -version

 2、编译protobuf

下载安装visio studio，我装的最新社区版，C盘空间有限只装了一点点东西。 

 克隆或下载protobuf。我是直接在release里下载的源码，win就下-cpp就好了，下载并解压。

打开这个VS2022下的 x64 Native Tools Command Prompt for VS 2022

 

1、进入protobuf目录

> cd <protobuf-root-dir>

2、创建build-vs文件夹并进入

> mkdir build-vs
> cd build-vs

3、运行一下命令

> cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake

4、nmake和nmake install（注意是nmake不是cmake）

> nmake

> nmake install

 以上3和4都是有进度条的，100%算成功。成功后在<protobuf-root-dir>下的build-vs文件夹里会出现很多东西，而且整个build-vs大小为200多M。

3、编译NCNN

官网克隆或下载源码，我是直接克隆到本地。

同样使用x64 Native Tools Command Prompt for VS 2022

1、进入ncnn目录

> cd <ncnn-root-dir>

2、创建build-vs文件夹并进入

> mkdir build-vs
> cd build-vs

3、将下列代码的<protobuf-root-dir>改为刚刚编译好的protobuf的绝对路径

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

4、nmake和nmake install（注意是nmake不是cmake）

> nmake

> nmake install

同样3和4都是有进度条的，100%算成功。成功后在<ncnn-root-dir>\build-vs\tools\onnx里得到onnx2ncnn.exe工具。在<ncnn-root-dir>\install里得到库文件。

4、使用onnx2ncnn.exe工具

弄个文件夹，把onnx2ncnn.exe拷进去，把你的pth模型拷进去。使用以下命令得到param和bin文件。

.\onnx2ncnn mymodel.onnx mymodel.param mymodel.bin

以上就完成了onnx到ncnn的转换。

踩坑

1、protobuf用了别人3点几的版本，报错NMAKE : fatal error U1077: “D:\cmake\bin\cmake.exe”: 返回代码“0x2” Stop.找不到cmake.exe，明明环境变量有，而且cmake -version测试也有，后来直接官网下最新的代码，一次通过。

2、我在linux系统上编译时遇到了Could NOT find CUDA: Found unsuitable version "10.2", but required is exact version "9.0" (found /usr/local/cuda)的错误，用nvcc-V查看是9.0，用nvidia-smi查看是10.2，懒得折腾环境了就改在win下编译了。

预告

部署安卓！

# c++ # android # 深度学习 # pytorch
Logo
华为开发者空间

华为开发者空间，是为全球开发者打造的专属开发空间，汇聚了华为优质开发资源及工具，致力于让每一位开发者拥有一台云主机，基于华为根生态开发、创新。

更多推荐

cover

解析openGauss账本数据库

avatar 华为开发者空间
cover

GaussDB的向量化处理技术

avatar 华为开发者空间
cover

丽水学院·华为云HCSD校园沙龙圆满落幕，共绘数字教育新篇章！

avatar 华为开发者空间