欢迎学习ncnn系列相关文章，从训练、模型转换、精度分析，评估到部署Android端，推荐好资源：
一、YoloV5训练自己数据集并测试
二、ncnn编译和安装
三、onnx模型转ncnn模型并推理可执行程序（resnet18例子）
四、yolov5-6.0Pyotorch模型转onxx模型再转ncnn模型部署
五、训练自己YOLOv5模型转ncnn模型并部署到Android手机端
ncnn为用户提供了一系列的模型转换工具，能够轻松地将caffe、onnx等格式的模型转换为ncnn可以识别的格式。在源代码编译完成后，这些工具会被存放在ncnn/build/tools目录下。在本次的示例中，使用了onnx2ncnn工具，将在pytorch中导出的resnet18的onnx模型转换为ncnn模型，并进行了推理。
本教程配套源码包获取方法为文章末扫码到公众号「视觉研坊」中回复关键字：模型部署onnx转ncnn。获取下载链接。
源码包下载解压后的样子如下：
resnet18使用的是Pytorch模型，所以需要先搭好torch环境，下面是我自己的环境版本号，仅供参考，其它版本也行。
在onnx模型转ncnn模型前，需要先将Pytorch模型转为onnx模型，不可以Pytorch模型直接转onnx模型，因为这两种模型的格式和结构差异很大。
具体转换脚本在源码在目录onnx_to_ncnn/python/export_res18.py
如果电脑上第一次转换，先确保 onnx2ncnn 这个文件有可执行权限，使用 chmod 命令来添加可执行权限：
在终端使用下面命令转换：
上面命令中，使用 onnx2ncnn 工具，将 resnet18_test.onnx 转换为 resnet18_test.param 和 resnet18_test.bin。在这里resnet18_test.param 存储了模型的参数信息，它记录了计算图的结构。而 resnet18_test.bin 则存放了模型的所有具体参数。就可以使用 ncnn 框架来加载和运行这个模型了。
下面是具体的转换过程及结果：
4.3.1 .bin文件
bin文件中存放数据，如卷积数据，算子加载的权重等都放在二进制bin文件中。
4.3.2 .param文件
下面是.param文件中具体参数解析， 是一个magic数，表示ncnn格式的；58是layer数，及算子的数量；66是blob数，blob中间数据存储的数量，中间数和计算结果都是放在blob里的。
4.3.3 可视化网络结构
netron官网：entron
在netron中打开.param文件查看计算图结构，方形框中的内容就是layer（算子），各个方形框之间的连接线就是blob。如下：
通过上面的一系列操作就得到了ncnn可以识别的两个文件：.param和.bin。
5.1.2 参数修改
推理脚本为resnet18.cpp，使用是需要修改的地方见下：
5.1.3 代码
下面说到的源码路径，指的是安装源码ncnn时的路径，关于安装源码ncnn见我上一篇博文：ncnn编译和安装
先在根目录中生成一个build文件夹，然后执行命令构建如下:
5.3.1 cmake …解析
cmake … 是一个在当前目录下执行 CMake 的命令，它会查找上一级目录（由 … 表示）中的 CMakeLists.txt 文件，并生成构建文件。这些构建文件可以被 make、ninja 或其他构建工具使用，来编译和链接你的项目。
5.3.2 构建结果
通过上面命令执行后会在build文件夹中生成相关文件，如下:
在上面构建文件基础上执行编译命令：
bin目录下的resnet18就是编译生成的可执行程序。
通过cd命令到根目录下，执行推理命令：
下面是可执行程序运行后的输出结果，包含了设备信息，每层的推理时间，以及最终的推理结果。
以上就是onnx模型转ncnn模型并推理可执行程序的详细过程，其它模型类型转换并推理。
总结不易，多多支持，谢谢！
感谢您阅读到最后！关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！
到此这篇onnx模型部署修改（ncnn模型部署）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/hd-yjs/61866.html