一、 写在前面
第一次做移动端部署，经验为零，不断的学习和摸索，完成相关工作，书写只是为了和大佬交流，记录相关工作。
二、模型转换
1.模型转onnx
这里没有好强调的，总而言之坑比较多，我用的模型里面作者重写了state_dict（）导致我的模型导入一直有问题，查看了2天代码才找到，完成了onnx转换。
主要代码：
torch.onnx.export(model, input_size, onnx_path, verbose=True, input_names=['input'], output_names=['output'],opset_version=11 )
2 .onnx2ncnn
这里主要参考了知乎的链接
安装相关的工具链： g++, cmake，protobuf,opencv，
其中测试OpenCV没有摄像头用的读取图片的方式：参考链接 中的第4步。
这里插一句：转ncnn模型会报错，知乎链接中的这个问题：
可以使用 onnx-simplifier 完成模型简化，
# 如果onnx转ncnn模型没有报错，这部分可以直接省去，报错再回来转一下模型就行。
# 使用pip安装库
pip3 install onnx-simplifier
# 安装好了库后调用库完成模型转换
Python3 -m onnxsim input_onnxmodel.onnx output_onnxmodel.onnx
完成相关内容安装后开始下载ncnn：ncnn代码仓库
$ git clone https://github.com/Tencent/ncnn.git
$ cd ncnn
$ git submodule update --init
模型转ncnn相关过程，将编译好的ncnn，调用onnx2ncnn完成onnx转换成ncnn的模型，最后的产物是model.bin(存放相关权重的)、model.param(存放相关结构)
# onnx模型转ncnn模型的主要代码，编译好后，会自动生成onnx2ncnn工具，直接调用就行。
./onnx2ncnn model.onnx model.param model.bin
至此，模型已经编译成ncnn了
3. 模型量化
参考git链接
主要步骤是3步
（1）模型转opt
./ncnnoptimize mobilenet.param mobilenet.bin mobilenet-opt.param mobilenet-opt.bin 0
（2）生成table文件
find images/ -type f > imagelist.txt
./ncnn2table mobilenet-opt.param mobilenet-opt.bin imagelist.txt mobilenet.table mean=[104,117,123] norm=[0.017,0.017,0.017] shape=[224,224,3] pixel=BGR thread=8 method=kl
这里单独说一下，find方法是自带的，直接传入images路径就行（第二个参数），然后给出imagelist.txt路径（最后一个参数）
得到如下的txt文件。（无法截图，用代码块代替）
/home/wqg/download/train_data/yemian_fenxi/img/942548_007851.jpg
/home/wqg/download/train_data/yemian_fenxi/img/914579_002196.jpg
/home/wqg/download/train_data/yemian_fenxi/img/1050921_031274.jpg
/home/wqg/download/train_data/yemian_fenxi/img/700936_034999.jpg
/home/wqg/download/train_data/yemian_fenxi/img/916084_002448.jpg
/home/wqg/download/train_data/yemian_fenxi/img/704436_036595.jpg
（3）生成量化后模型
./ncnn2int8 mobilenet-opt.param mobilenet-opt.bin mobilenet-int8.param mobilenet-int8.bin mobilenet.table
三、写在最后，
第一次做移动端部署，还有很多不会的地方，后面还有后处理和库文件的编译，过程艰辛而复杂，问题也比较多，慢慢强大，慢慢成长。