上一篇： ncnn坑记录安卓studio打包APK
下一篇： ncnn填空题记录八：将自己训练的模型打包到APK中导入安卓端运行
# include ' net.h ' # include algorithm # include opencv2/core/core.HPP # include opencv2/highgui/highgui.HPP # inccore inchg includevectorstaticintdetect _ squeeze net (const cv :3360 matbgr，STD 33603360 vectorfloatcls _ scores ) {//fdllNet //thencnnmodel https://github.com/ni hui/ncnn-assets/tree/master/models//负载模型网络结构squeeze net.load _ param //将图像转换为ncnn格式，并重置为227*227。 接下来的4个参数是原始图像的w，h。 缩放后的w，h//也可以像PIXEL_RGB2GRAY、RGB2BGR那样进行BGR的变换。 如果模型输入为BGR，则pixel如果模型输入为RGB，则pixel _ bgr2rgbncnn 33603360 matin=ncnn 33603360 mat 33603360 from _ pixels _ resize (bgbnn //将图像规范化in.substract _ mean _ normalize (mean _ vals，0 )； //extractorncnn :3360 extractor ex=squeeze net.create _ extractor (； //设置线程数，然后单击//ex.set_num_threads(4； //设置执行器是否使用轻量模式//ex.set_light_mode(true )； 输入//，将图像放入网络，进行前向推理，将' data '作为自己网络的输入名称ex.input('data )，in )； ncnn:Mat out； //取出输出，将“prob”更改为网络的输出名称ex.extract('prob )、out； //printf (输出)； //out的值转换为cls_scores，并返回不同类别的得分cls_scores.resize(out.w )； for(intj=0； j out.w； j({cls_Scores[j]=out[j]； }返回0； } staticintprint _ topk (const STD 3360: vectorfloatcls _ scores，int topk )//partialsorttopkwithindexintsize=cls pair vec.resize(size )； for(intI=0； i size； I ) vec [ I ]=STD :3360 make _ pair (cls _ scores [ I ]，I )； //一些排序算法是第一个float STD 33603360 partial _ sort (vec.begin )、vec，只要topk的迭代器//greator返回当前向量中的开始元素按降序排列i topk； I ) { float score=vec[i].first； int index=vec[i].second； frintf(stderr，' %d=%fn '，index，score )； }返回0； }//argv有两个参数，argv[0]指向程序中可执行文件的文件名，arg[1]指向imagepathintmain(intargc，char** argv ) AIF=2) fprintf(stderr，' Usage: %s [imagepath]n '，argv[0] )； 返回- 1； } const char* imagepath=argv[1]； cv : matm=cv :3360 im read (image path，1 )； //cv读取的图像为空if(m.empty () fprintf ) stderr、' cv3360:imread%sfailed(n )、imagepath )； 返回- 1； //定义STD :3360 vectorfloatcls _ scores以存储最终每个类别的分数； //调用推理函数detect_squeezenet(m，cls_scores )； //打印top 3打印_ topk (cls _ scores，3 )； 返回0； } pytorch图像归一化处理：
transform=transforms.com pose ([ transforms.to tensor ] )，transforms.normalize (mean=[ 0.5，0.5，0.5 ]，STD=[
NNN图像归一化函数
const float mean_vals[3]={127.5f、127.5f、127.5f}； constfloatnorm _ vals [3]={ 1.0/127.5，1.0/127.5，1.0/127.5 }； in.substract _ mean _ normalize (mean _ vals，norm_vals )； ncnn不进行积极的归一化，substract_mean_normalize的操作为(x-mean_vals ) * std_vals
在上面的代码块中，naom _ vals=0，https://github.com/Tencent/ncnn/blob/13 d 12da 245 e 515031 d 35455 a 68701 b 254870 a 760/src/blob
见https://blog.csdn.net/m0 _ 37844017/article/details/107941588
pytorch:(x/255-mean )/STDncnn: ) x-mean_vals ) * std_vals 两式等价，式转换为：
将pytorch:(x-255*mean )/(255 * std )从、中得到的pytorch模型转换为ncnn模型时，在图像归一化时使用substract_mean_normalize函数
mean _ vals=255 * means TD _ vals=1/(255 * STD )验证：
pytorch的transforms.Normalize取值
如果mean=[ 0.5，0.5，0.5 ]，STD=[ 0.5，0.5，0.5 ]，则ncnn的substract_mean_normalize取值。
假设mean _ vals={ 127.5，127.5，127.5 }，norm _ vals={1/255/0.5，1/255/0.5 }图像的像素点的值为100
pytorch : (100/255-0.5 (- 0.215686 ncnn : ) 100-127.5 ) ) * (1/255/0.5 )-0.215686提供了py torch的常见演示
if ' coco ' in args.dataset : mean _ vals=[ 0.471，0.448，0.408 ] STD _ vals=[ 0.234，0.239，0.242 ] elif ' imageger