NCNN 源码剖析(一) Example

发表于 更新于 分类于
NCNN 中的 example

example 解读

ncnn 目录结构下的 example 中有一份使用 squeezenet 做图像分类的实例程序。

squeezenet 是一个轻量级的卷积神经网络，详细知识可见于此论文

其中关键代码如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
static int detect_squeezenet(const cv::Mat& bgr, std::vector<float>& cls_scores)
{
    ncnn::Net squeezenet;
    squeezenet.load_param("squeezenet_v1.1.param");
    squeezenet.load_model("squeezenet_v1.1.bin");

    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};
    in.substract_mean_normalize(mean_vals, 0);

    ncnn::Extractor ex = squeezenet.create_extractor();
    ex.set_light_mode(true);

    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;
}

分析下这份代码的结构

首先创建网络对象 squeezenet，读入参数和模型，读取输入数据并调整其尺寸至需要的大小. 使用减去平均数的方法正则化输入数据(Normalization by Subtracting the Mean),公式如下

然后，使用创建的网络创建 Extractor,如果编译时 NCNN_STRING 宏存在，那么可以使用明文字符串读取相关信息。这里使用 data 获取输入信息，使用 prob 获取网络计算出的，关于每个类的概率。

最后是将结果输出到 cls_scroes 中。

这份代码使用的网络结构是之前就已经训练好的，ncnn 支持使用 caffe 和 tensorflow 已经训练好的网络结构模型，使用 ./tools/ 下的工具转换为 ncnn 可以使用的格式后直接加载到其网络中。