【手把手AI项目】七、MobileNetSSD通过Ncnn前向推理框架在PC端的使用(目标检测 objection detection)

版权声明：欢迎关注公众号：AI蜗牛车 || 本文为博主原创文章，未经博主允许不得转载, 若转载请与我联系。 https://blog.csdn.net/qq_33431368/article/details/84990390

前言

• 安装win10+linux-Ubuntu16.04的双系统（超细致）
• ubuntu16.04+caffe＋CUDA10.0+cudnn7.4+opencv2.4.9.1+python2.7　（超超细致）
• Caffe_ssd安装以及利用VOC2012,VOC2007数据集测试VGG_SSD网络
• Caffe实现MobileNetSSD以及各个文件的具体解释，利用自己的数据集dataset训练MobileNetSSD建立模型

下载编译ncnn

git clone https://github.com/Tencent/ncnn.git
cd ncnn
mkdir -p build
cd build
cmake ..
make -j4

一波搞定下载和编译　查看/home/XXX/ncnn/build/tools和/home/XXX/ncnn/build/tools/caffe分别有ncnn2mem和caffe2ncnn两个可执行文件，如下图所示

• caffe2ncnn 将caffemodel转换为ncnnmodel
• ncnn2mem 对模型进行加密操作

转换模型并加密

准备模型和网络文件

有自己数据集训练的直接用自己数据集的即可，没有的话就跟着我的来吧
这里使用上次所讲的ＭobileNetSSD的demo的.prototxt文件和caffemodel来使用
下载训练好的model，需要外网才可以
如何在Ubuntu16.04访问国外网站——lantern2018-07-16
deploy_model网址如下：
https://drive.google.com/file/d/0B3gersZ2cHIxRm5PMWRoTkdHdHc/view
MobileNetSSD_deploy.prototxt下载如下
https://download.csdn.net/download/qq_33431368/10850770
在/home/XXX/ncnn/build/tools/下新建一个ncnnmodel的文件夹便于管理

旧版caffe模型和网络文件转换成新版caffe模型和网络文件（ncnn只支持新版）

这个tools在caffe/build/tools中直接就有，具体操作如下

$ ~/caffe/build/tools/upgrade_net_proto_text MobileNetSSD_deploy.prototxt MobileNetSSD_deploy_new.prototxt
$ ~/caffe/build/tools/upgrade_net_proto_binary MobileNetSSD_deploy.caffemodel MobileNetSSD_deploy_new.caffemodel

生成两个ｎｅｗ文件

new.prototxt文件输入层改用 Input，因为每次只需要做一个图片，所以第一个 dim 设为 1

name: "MobileNet-SSD"
layer {
  name: "input"
  type: "Input"
  top: "data"
  input_param {
    shape {
      dim: 1
      dim: 3
      dim: 300
      dim: 300
    }
  }
}
layer {
  name: "conv0"
  type: "Convolution"
  ...........

利用ncnn的两个可执行文件进行转换model和加密

利用/home/XXX/ncnn/build/tools和/home/XXX/ncnn/build/tools/caffe分别有ncnn2mem和caffe2ncnn两个可执行文件
转换model

$./caffe2ncnn' MobileNetSSD_deploy_new.prototxt MobileNetSSD_deploy_new.caffemodel MobileNetSSD_deploy.param MobileNetSSD_deploy.bin

.param相当于prototxt网络文件，.bin相当于caffemodel模型文件

加密（去掉可见字符串,　一种常见加密方式，不加密的话自己的网络可能被别人套用）

$./ncnn2mem mobilenet.param mobilenet.bin mobilenet.id.h mobilenet.mem.h

最后文件所示

加密与不加密使用上稍微有点不同，主要体现在load_model上

//j加载非加密的ncnn模型
ncnn::Net net;
net.load_param("MobileNetSSD_deploy.param");
net.load_model("MobileNetSSD_deploy.bin");

//加载加密的ncnn模型
ncnn::Net net;
net.load_param_bin("MobileNetSSD_deploy.param.bin");
net.load_model("MobileNetSSD_deploy.bin");

在ＰＣ上run(未加密的,下面叙述的android端使用加密)

在　ncnn/examples中有　mobilenetssd.cpp　我们利用这个文件进行操作
为了不丢失这个demo，我们另外复制一个文件依然在这个文件夹中重命名为MobileNetSSD.cpp
MobileNetSSD.cpp文件修改并做出说明

#include <stdio.h>
#include <vector>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>

#include "net.h"

struct Object
{
    cv::Rect_<float> rect;  //画图的框
    int label;　　　//标签
    float prob;    　//概率
};
//检测操作
static int detect_mobilenet(const cv::Mat& bgr, std::vector<Object>& objects)
{
    ncnn::Net mobilenet;
  // 更改 更改成自己的ncnnmodel 和网络文件
    mobilenet.load_param("MobileNetSSD_deploy.param");
    mobilenet.load_model("MobileNetSSD_deploy.bin");
   
   //图片预处理
    const int target_size = 300;  ##对应你训练的时候网络输入dataset的大小，这边为３００＊３００

    int img_w = bgr.cols;
    int img_h = bgr.rows;

    ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR, bgr.cols, bgr.rows, target_size, target_size);
    
　//归一化，这里的值就是我上一篇关于MobileNetSSD网络文件中定义的值
    const float mean_vals[3] = {127.5f, 127.5f, 127.5f};
    const float norm_vals[3] = {1.0/127.5,1.0/127.5,1.0/127.5};
    in.substract_mean_normalize(mean_vals, norm_vals);

    ncnn::Extractor ex = mobilenet.create_extractor();　//前向传播
//     ex.set_num_threads(4);　//　线程，可以用四个线程　试试看

    ex.input("data", in);

    ncnn::Mat out;
    ex.extract("detection_out",out); //输出结果

//     printf("%d %d %d\n", out.w, out.h, out.c);
    objects.clear();
    //以下代码为输出的结果的整理可以看出第一个object的value0为标签,以此列推，代码不难
    for (int i=0; i<out.h; i++)
    {
        const float* values = out.row(i);

        Object object;
        object.label = values[0];
        object.prob = values[1];
        object.rect.x = values[2] * img_w;
        object.rect.y = values[3] * img_h;
        object.rect.width = values[4] * img_w - object.rect.x;
        object.rect.height = values[5] * img_h - object.rect.y;

        objects.push_back(object);
    }

    return 0;
}
// 画方框和文本
static void draw_objects(const cv::Mat& bgr, const std::vector<Object>& objects)
{
　//class的个数和对应具体类别，这边依然利用voc2007和2012所以这边不需要更改，原理上需要更改为自己dataset的数据集的　
　	//可能更改（如果我这个教程不需要更改，自己的dataset需要更改）
    static const char* class_names[] = {"background",
        "aeroplane", "bicycle", "bird", "boat",
        "bottle", "bus", "car", "cat", "chair",
        "cow", "diningtable", "dog", "horse",
        "motorbike", "person", "pottedplant",
        "sheep", "sofa", "train", "tvmonitor"};

    cv::Mat image = bgr.clone();

    for (size_t i = 0; i < objects.size(); i++)
    {
        const Object& obj = objects[i];

        fprintf(stderr, "%d = %.5f at %.2f %.2f %.2f x %.2f\n", obj.label, obj.prob,
                obj.rect.x, obj.rect.y, obj.rect.width, obj.rect.height);

        cv::rectangle(image, obj.rect, cv::Scalar(255, 0, 0));

        char text[256];
        sprintf(text, "%s %.1f%%", class_names[obj.label], obj.prob * 100);

        int baseLine = 0;
        cv::Size label_size = cv::getTextSize(text, cv::FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);

        int x = obj.rect.x;
        int y = obj.rect.y - label_size.height - baseLine;
        if (y < 0)
            y = 0;
        if (x + label_size.width > image.cols)
            x = image.cols - label_size.width;

        cv::rectangle(image, cv::Rect(cv::Point(x, y),
                                      cv::Size(label_size.width, label_size.height + baseLine)),
                      cv::Scalar(255, 255, 255), CV_FILLED);

        cv::putText(image, text, cv::Point(x, y + label_size.height),
                    cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
    }

    cv::imshow("image", image);
    cv::waitKey(0);
}

int main(int argc, char** argv)
{
    if (argc != 2)
    {
        fprintf(stderr, "Usage: %s [imagepath]\n", argv[0]);
        return -1;
    }

    const char* imagepath = argv[1];

    cv::Mat m = cv::imread(imagepath, CV_LOAD_IMAGE_COLOR);
    if (m.empty())
    {
        fprintf(stderr, "cv::imread %s failed\n", imagepath);
        return -1;
    }

    std::vector<Object> objects;
    detect_mobilenet(m, objects);

    draw_objects(m, objects);

    return 0;
}

将这两个文件MobileNetSSD_deploy.param、MobileNetSSD_deploy.bin也复制到这个文件夹中，然后打开ncnn/examples目录下的CMakeLists.txt文件，增加这两行：

add_executable(MobileNetSSD MobileNetSSD.cpp)
target_link_libraries(MobileNetSSD ncnn ${OpenCV_LIBS})

打开ncnn根目录下的CMakeLists.txt文件，将编译examples语句的注释打开（默认是被注释掉的）

最后进入ncnn/build路径点开terminal终端

make

就发现编译的可执行文件有了，相当于走了一波.cpp文件的编译过程
查看 ncnn/build/examples文件中
用VOC测试图片试一下即可有效果
测试之前需要把测试图片和ncnnmodel和网络文件都拷贝到这个文件夹中

./MobileNetSSD 000456.jpg

　
PS： 如果觉得本篇本章对您有所帮助，欢迎关注、评论、点赞！Github给个Star就更完美了_！

Reference

https://blog.csdn.net/computerme/article/details/77876633

https://blog.csdn.net/qq_36982160/article/details/79929869

https://github.com/Tencent/ncnn/wiki/ncnn-组件使用指北-alexnet