本文是基于EASY E AI Nano移植NCNN部署库的方法与NCNN成功运行yolov4的Demo所做的教程。

关于NCNN

NCNN是“腾讯优图实验室”首个开源项目，是一个为手机端极致优化的高性能 神经网络 前向计算框架。并在2017年7月正式开源。NCNN作为腾讯优图最“火”的开源项目之一，在设计之初便将手机端的特殊场景融入核心理念，是业界首个为移动端优化的开源神经网络推断库。能实现无第三方依赖，跨平台操作，在手机端 CPU 运算速度在开源框架中处于领先水平。基于该平台，开发者能够轻松将 深度学习 算法移植到手机端，输出高效的执行，进而产出人工智能 APP ，将AI技术带到 用户 指尖。

NCNN功能概述

- 支持卷积神经网络，支持多输入和多分支结构，可计算部分分支。

- 无任何第三方库依赖，不依赖 BLAS/NNPACK 等计算框架。

- 纯 C++ 实现，跨平台，支持 android ios 等。

- ARM NEON 汇编级良心优化，计算速度极快。

- 精细的内存管理和数据结构设计，内存占用极低。

- 支持多核并行计算加速，ARM big.LITTLE cpu 调度优化。

- 支持基于全新低消耗的 vulkan api GPU 加速。

- 可扩展的模型设计，支持 8bit 量化 和半精度浮点存储，可导入caffe/pytorch/mxnet/onnx/darknet/keras/ tensorflow (mlir) 模型。

- 支持直接内存零拷贝引用加载网络模型。

- 可注册自定义层实现并扩展。

* 更多详情参考官方Github： https://github.com/ Te ncent/ncnn

NCNN目前应用在图像分类、风格迁移、目标检测、人脸检测等案例中，并已被多款APP使用。下面正式进入到NCNN算法移植学习吧。

一、源码包 下载 与编译

1. 源码下载放置到ubuntu

NCNN相关源码可通过我们的百度网盘进行下载(已配置好编译脚本)，下载链接为:

https://pan.baidu.com/s/1x_27sNJbjCujJZozBajq4g 提取码： dfji

下载ncnn-master.tar.bz2源码包并移植到虚拟机里面,执行以下指令解压源码包：

$ tar xvf ncnn-master.tar.bz2

即可得到如下所示:

2. NCNN编译

执行以下指令编译：

$ cd ncnn-master/ 
$ ./build-easyeai-nano.sh

编译完成如下图所示:

NCNN库编译完成，生成如下图所示:

二、Yolov4基于NCNN运

1. 例程下载放置到ubuntu

Yolov4基于NCNN运行相关运行Demo可以通过我们的百度网盘进行下载(已配置好编译脚本)，下载链接为:

https://pan.baidu.com/s/1x_27sNJbjCujJZozBajq4g 提取码： dfji

下载 test_demo.tar.bz2 源码包并移植到虚拟机里面,执行以下指令解压源码包：

$ tar xvf test_demo.tar.bz2

得到如下图所示:

2. 编译例程

执行以下指令编译例程：

$ cd test_demo/ 
$ ./build.sh

编译成功后结果如下所示：

3. 在EASY EAI Nano执行例程

在ubuntu推送可执行程序文件到板卡的 /userdata 目录：

$ adb push test-ncnn-demo-release/ /userdata

在EASY EAI Nano板卡执行程序:

# cd /userdata/test-ncnn-demo-release/ 
# ./test-ncnn-demo test_img/test1.jpg

执行结果如下图所示:

在ubuntu执行以下指令获取识别成功的图片:

$ adb pull /userdata/test-ncnn-demo-release/result.jpg .

最后查看实际的效果图，到这一步就完成啦！

后续更多教程可关注我们的哦，不定时更新各种新品及活动

$ make –j4 编译完成后，复制examples目录下SqueezeNet模型的参数模型文件到build/examples目录下 $ copy examples/squeezenet_v1.1.param to build/examples $ cop