caffemodel转NCNN

2023-12-28 05:18
文章标签 ncnn caffemodel

本文主要是介绍caffemodel转NCNN,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在移动端和嵌入式平台上使用NCNN框架调用caffe模型。

NCNN编译安装

  • 下载链接:https://github.com/Tencent/ncnn/archive/20181228.zip
  • Build from source
mkdir build && cd build
# 在cmake之前检查一下CMakeLists.txt末尾是否打开了target-tools
cmake ..
make
make install

caffemodel转NCNN model

1. 旧版caffemodel 转新版caffemodel

caffe/build/tools/upgrade_net_proto_text model_deploy.prototxt model_deploy_2.prototxt
caffe/build/tools/upgrade_net_proto_binary model.caffemodel model_2.caffemodel

 2. caffemodel 转 NCNN model

ncnn-20181228/build/tools/caffe/caffe2ncnn model_deploy_2.prototxt model_2.caffemodel model.param model.bin
  • *.param文件中存的是模型结构,可以直接用vim查看,明文保存的
  • *.bin文件中存的是权重数据
  • 如果需要对模型结构进行加密,则执行以下指令。执行成功以后,会在ncnn-20181228/build/tools目录下生成一个model.param.bin文件,即为加密后的模型文件。
ncnn-20181228/build/tools/ncnn2mem model.param model.bin model.id.h model.mem.h

NCNN model 加载

//加载加密模型
ncnn::Net net;
net.load_param_bin("model.param.bin");
net.load_model("model.bin");//不加密
ncnn::Net net;
net.load_param("model.param");
net.load_model("model.bin");

 

这篇关于caffemodel转NCNN的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/545149

相关文章

ncnn之resnet图像分类网络模型部署

文章目录 一、ONNX模型导出二、模型转换ONNX2NCNN2.1 net.param文件2.2 net.bin文件 三、ncnn模型推理四、编译与运行 一、ONNX模型导出 将 PyTorch 模型导出为 ONNX 格式,代码如下: import torchimport torchvision.models as modelsimport torch.onnx as o

ncnn之yolov5(7.0版本)目标检测pnnx部署

一、pnxx介绍与使用 pnnx安装与使用参考: https://github.com/pnnx/pnnxhttps://github.com/Tencent/ncnn/wiki/use-ncnn-with-pytorch-or-onnxhttps://github.com/Tencent/ncnn/tree/master/tools/pnnx 支持python的首选pip,否则就源码编译。

使用sherpa-ncnn进行中文语音识别(ubuntu22)

语音大模型专栏总目录         获取该开源项目的渠道,是我在b站上,看到了由csukuangfj制作的一套语音识别视频。以下地址均为csukuangfj在视频中提供,感谢分享! 新一代Kaldi + RISC-V: VisionFive2 上的实时中英文语音识别_哔哩哔哩_bilibili 开源项目地址:GitHub - k2-fsa/sherpa-ncnn: Real-time sp

Caffe学习:pycaffe利用caffemodel进行分类

在使用pycaffe定义网络、使用pycaffe进行网络训练与测试之后得到caffemodel文件,下面利用caffemodel进行分类: 导入相关库 import caffe 配置 # caffemodel文件MODEL_FILE = 'model/_iter_10000.caffemodel'# deploy文件,参考/caffe/models/bvlc_alexnet/d

【ncnn】源码阅读理解(二)——layer层

可以参考:https://blog.csdn.net/sinat_31425585/article/details/100586033 这里是根据配置文件,创建相关的layer,就是定义相关的层,声明内存空间等。这里和darknet差别还是很大的。darknet的源码更容易阅读。ncnn做了几层封装,第一眼看到的时候,肯定是😵的。 整个流程: 第一部分 通过类的名字const char*

【ncnn】win10 vs2015编译ncnn项目

1. 编译protobuf 这是google开源的一个项目,ncnn用来序列保存网络模型的。 1.1 下载protobuf,从这个博客 1.2 编译protobuf 看网络上的文章,这里有两种方式可以编译protobuf。 采用cmake-gui采用vs2015命令行 因为编译opencv的时候用的cmake-gui,这里用vs命令行试一下。 参考:https://blog.csdn.n

【ncnn android】算法移植(十)——DBface ncnn模型输出nan/性能简单测试

问题 已经将DBface转成ncnn模型,并在c++上测试通过,但是移植到android平台之后,结果一直不对,只能一段一段的检查,发现ncnn模型输出为nan。 猜想 输入给的不对。c++上推理采用的是cv::Mat作为输入。android平台采用bitmap预处理不对,因为有image/255 - mean / stdncnn模型没有正确载入对ncnn的模型进行逐层检查版本对应不上 只能一

【ncnn android】算法移植(九)——DBface android移植

这里主要记录将DBface移植到android平台上的记录。 1. requirements 192.7142,android studio的版本ndk的版本为:19.2.5345600是不行的,21.1.6352462 2. 其他 android安装apk的时候,“安装异常” 在"project"—“android”----“Gradle Scripts”—"gradle.propert

【ncnn android】算法移植(八)——终于移植成功了DBface

1. 效果 先上效果,密集。 2.路线 pytorch2onnx解决bilinear2d上采样问题编译ncnn创建项目,导入libncnn,完善DBface的推理代码解决nms有重框的问题 3. 具体事项 图像预处理:((image / 255 - mean) / std).astype(np.float32) 项目初始调试成功的时候,结果和DBface.pytorch推理的结果有很大

【ncnn android】算法移植(七)——pytorch2onnx代码粗看

目的: 了解torch2onnx的流程了解其中的一些技术细节 1. 程序细节 get_graph 将pytorch的模型转成onnx需要的graph graph, torch_out = _trace_and_get_graph_from_model(model, args, training) trace, torch_out, inputs_states = torch.jit.g