基于ncnn的深度学习算法优化(一)
2018-04-04 10:05
991 查看
实验环境:Ubuntu14.04+cmake+protobuf(可选,protobuf仅用于编译caffetoncnn转换工具,若无需求可不安装)
一、下载ncnn代码并编译
一、下载ncnn代码并编译
git clone https://github.com/Tencent/ncnn.git[/code]
ncnn是为手机端即(Android、IOS)等ARM处理器进行了良心级NEON优化,速度提升明显。
1.1 编译x86架构的ncnncd ncnn mkdir build_x86 cd build_x86 cmake ..
此时,需观察一下是否安装有protobuf,在cmake生成日志中可看到。如下图:
若没有,或者不需要使用protobuf可修改ncnn根目录下CMakeLists.txt配置文件,仅进行ncnn库编译。配置文件如下图所示:
之后,直接make即可编译完成。执行make install即可在install文件夹下得到x86架构的ncnn静态库和头文件。
但ncnn在x86架构下速度提升不明显,所以我们真正想要的是在arm下的ncnn库文件,下面我就介绍一下,我的一些修改过程。
1.2 Arm下编译ncnn
首先,在ncnn根目录下创建一个新的build文件夹。mkdir build_arm
修改ncnn根目录下CMakeLists.txt,在cmake_minimum_required(VERSION 2.8.10)下面添加以下四条命令set(CMAKE_C_COMPILER arm-linux-gnueabihf-gcc) set(CMAKE_CXX_COMPILER arm-linux-gnueabihf-g++) add_definitions(-D__ARM_NEON) add_definitions("-mfpu=neon")
然后,进入src文件夹下,修改该文件夹下的CMakeLists.txt文件。删除如下图所示代码:
最后,进入buidl_arm文件夹下进行cmake .. make make install
即可。至此,编译ncnn已经完成,下面附上两张测试效果图,硬件平台都为orangepi win plus,模型一致,测试图片一致,测试时间为循环1000次,取平均时间。
第一张为未使用ncnn优化的效果图,平均时间139.574ms;第二张为使用ncnn优化的效果图,平均时间35.198ms。
相关文章推荐
- 基于暗通道去雾算法的实现与优化(一)
- 基于双混沌序列的大容量信息隐藏算法优化研究
- 基于python实现的mmseg中文分词算法实现及其优化
- 极限元语音算法专家刘斌:基于深度学习的语音生成问题
- 基于迪克斯特拉(Dijkstra)算法的物流优化系统(Java语言)
- 基于暗通道去雾算法的实现与优化(以)opencv在pc上的实现
- 基于深度学习的人体姿态识别算法总结
- NLP 第10章 基于深度学习的NLP 算法
- Android大图加载优化--基于LRU算法的本地文件缓存
- 基于强类型DataSet的批量数据导入的优化算法
- 基于二分查找的抽签游戏算法的优化
- 基于深度学习的目标检测算法综述
- 传统算法和深度学习的结合和实践,解读与优化 deepfake
- 基于深度学习的目标检测算法:YOLO
- 2_基于深度学习的目标检测识别算法
- 基于暗通道去雾算法的实现与优化(三)优化策略
- SSE图像算法优化系列二十四: 基于形态学的图像后期抗锯齿算法--MLAA优化研究。
- 针对新闻标签提取的tf-idf优化算法1.0版本——基于jieba分词实现
- 基于模拟落体碰撞的优化算法——本科毕业论文
- 基于集合关系对求解闰年数的算法优化