ncnn 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。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行。
之前写了2篇博客，分别介绍了轻量级人像分割PP-HumanSeg的树莓派部署和ONNX windows部署。本篇博客将使用NCNN 将PP-HumanSeg lite在windows cpu上C++部署，FPS为18左右预测效果如图所示。
目录
一、下载PaddleSeg
二、下载模型
三、模型导出
1、动态图模型转静态图
2、静态图转onnx
3、onnx简化
四、编译NCNN
1、编译protobuf
2、编译NCNN
五、NCNN C++部署
1、其他环境
2、onnx转ncnn
3、C++代码
六、模型效果
七：参考
一、下载PaddleSeg
git clone https://github.com/PaddlePaddle/PaddleSeg.git二、下载模型
进入PP-HumanSeg目录，使用pip安装paddleseg库，并使用PaddleSeg提供的脚本下载预训练模型，该模型将用于后续导出为onnx。
%cd ~/PaddleSeg/contrib/PP-HumanSeg
!pip install paddleseg
!python pretrained_model/download_pretrained_model.py三、模型导出
上一步下载的模型是paddlepaddle动态图模型，为了将其转换为onnx，先将paddlepaddle动态图模型转换为静态图模型，再利用paddle2onnx工具将其转为onnx模型。
1、动态图模型转静态图
这里提供超轻量级模型PP-HumanSeg-Lite转换示例，该模型适用于移动端实时分割场景，例如手机自拍、Web视频会议，模型输入大小（192， 192）。为了防止后续onnx模型使用报错，需要加上--input_shape参数。（命令中的文件路径如有需要请更换成自己的路径）
注意：这里加上了--without_argmax参数，因为NCNN暂时不支持argmax算子，也没有在网络最后添加上--with_softmax参数。
%cd ~/PaddleSeg/contrib/PP-HumanSeg
!python ../../export.py \
--config configs/fcn_hrnetw18_small_v1_humanseg_192x192_mini_supervisely.yml \
--model_path pretrained_model/fcn_hrnetw18_small_v1_humanseg_192x192/model.pdparams \
--save_dir export_model/fcn_hrnetw18_small_v1_humanseg_192x192 \
--input_shape 1 3 192 192 --without_argmax2、静态图转onnx
得到paddlepaddle动态图模型后，使用paddle2onnx工具将静态图模型转换为onnx模型，首先安装paddle2onnx库。
!pip install paddle2onnx使用paddle2onnx工具，将上一步得到的paddlepaddle静态图的模型转换为onnx。
%cd ~/PaddleSeg/contrib/PP-HumanSeg
! paddle2onnx --model_dir ./export_model/fcn_hrnetw18_small_v1_humanseg_192x192/ \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--save_file onnx_model/model.onnx \
--opset_version 12onnx模型信息如下，注意这里导出的模型是没有softmax和argmax的：
3、onnx简化
安装onnx-simplifier：
pip3 install onnx-simplifier将上一步得到的model.onnx简化：
# 命令格式
onnxsim input_onnx_model output_onnx_model# 具体命令
onnxsim model.onnx simple_model.onnx简化后的onnx模型：
四、编译NCNN
具体内容可参考：官方编译教程
1、编译protobuf
下载protobuf：https://github.com/google/protobuf/archive/v3.4.0.zip
打开开始菜单中的x64 Native Tools Command Prompt for VS 2017命令行工具（更高级的版本也可以，我用2022成功了），编译protobuf。
cd <protobuf-root-dir>
mkdir build
cd build
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake
nmake
nmake install2、编译NCNN
克隆NCNN仓库：
git clone https://github.com/Tencent/ncnn.git编译NCNN（我这里没用Vulkan，需要的话参考官方教程），取代命令中的路径为自己的路径：
cd <ncnn-root-dir>
mkdir -p build
cd build
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=<protobuf-root-dir>/build/install/include -DProtobuf_LIBRARIES=<protobuf-root-dir>/build/install/lib/libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=<protobuf-root-dir>/build/install/bin/protoc.exe -DNCNN_VULKAN=OFF.. -DOpenCV_DIR=C:/opencv/opencv/build
nmake
nmake install五、NCNN C++部署
代码及模型地址：代码和模型
1、其他环境
windows cpu
visual studio 2019
2、onnx转ncnn
首先将上面得到的简化后的onnx模型转换为ncnn模型(得到param和bin后缀的2个文件)，注意转换的时候要没有报错，不然后续加载会出错：
../ncnn/build/tools/onnx/onnx2ncnn simple_model.onnx simple_model.param simple_model.bin3、C++代码
代码结构：
HumanSeg.h代码：
#pragma once
#include <string>
#include "net.h"
#include <opencv.hpp>
#include "time.h"
class HumanSeg
{
private:
std::string param_path;
std::string bin_path;
std::vector<int> input_shape;
ncnn::Net net;
const float norm_vals[3] = { 1 / 177.5, 1 / 177.5, 1 / 177.5 };
const float mean_vals[3] = { 175.5, 175.5, 175.5 };
cv::Mat normalize(cv::Mat& image);
public:
HumanSeg() = delete;
HumanSeg(const std::string param_path, const std::string bin_path, std::vector<int> input_shape);
~HumanSeg();
cv::Mat predict_image(cv::Mat& image);
void predict_image(const std::string& src_image_path, const std::string& dst_path);
void predict_camera();
};HumanSeg.cpp代码：
#include "HumanSeg.h"
HumanSeg::HumanSeg(const std::string param_path, const std::string bin_path, std::vector<int> input_shape)
:param_path(param_path), bin_path(bin_path), input_shape(input_shape) {
net.load_param(param_path.c_str());
net.load_model(bin_path.c_str());
}
HumanSeg::~HumanSeg() {
net.clear();
}
cv::Mat HumanSeg::normalize(cv::Mat& image) {
std::vector<cv::Mat> channels, normalized_image;
cv::split(image, channels);
cv::Mat r, g, b;
b = channels.at(0);
g = channels.at(1);
r = channels.at(2);
b = (b / 255. - 0.5) / 0.5;
g = (g / 255. - 0.5) / 0.5;
r = (r / 255. - 0.5) / 0.5;
normalized_image.push_back(r);
normalized_image.push_back(g);
normalized_image.push_back(b);
cv::Mat out = cv::Mat(image.rows, image.cols, CV_32F);
cv::merge(normalized_image, out);
return out;
}
cv::Mat HumanSeg::predict_image(cv::Mat& image) {
cv::Mat rgbImage;
cv::cvtColor(image, rgbImage, cv::COLOR_BGR2RGB);
ncnn::Mat in = ncnn::Mat::from_pixels_resize(rgbImage.data, ncnn::Mat::PIXEL_RGB, image.cols, image.rows, input_shape[3], input_shape[2]);
in.substract_mean_normalize(mean_vals, norm_vals);
ncnn::Extractor ex = net.create_extractor();
ex.input("x", in);
ncnn::Mat out;
ex.extract("bilinear_interp_v2_13.tmp_0", out);
cv::Mat mask(out.h, out.w, CV_8UC1);
const float* maskmap0 = out.channel(0);
const float* maskmap1 = out.channel(1);
for (int i{ 0 }; i < out.h; i++) {
for (int j{ 0 }; j < out.w; ++j) {
mask.at<uchar>(i, j) = maskmap1[i * out.w + j] > maskmap0[i * out.w + j] ? 255 : 0;
}
}
cv::resize(mask, mask, cv::Size(image.cols, image.rows), 0, 0);
cv::Mat segFrame;
cv::bitwise_and(image, image, segFrame, mask = mask);
return segFrame;
}
void HumanSeg::predict_image(const std::string& src_image_path, const std::string& dst_path) {
cv::Mat image = cv::imread(src_image_path);
cv::Mat segFrame = predict_image(image);
cv::imwrite(dst_path, segFrame);
}
void HumanSeg::predict_camera() {
cv::Mat frame;
cv::VideoCapture cap;
int deviceID{ 0 };
int apiID{ cv::CAP_ANY };
cap.open(deviceID, apiID);
if (!cap.isOpened()) {
std::cout << "Error, cannot open camera!" << std::endl;
return;
}
//--- GRAB AND WRITE LOOP
std::cout << "Start grabbing" << std::endl << "Press any key to terminate" << std::endl;
int count{ 0 };
clock_t start{ clock() }, end{0};
double fps{ 0 };
for (;;)
{
// wait for a new frame from camera and store it into 'frame'
cap.read(frame);
// check if we succeeded
if (frame.empty()) {
std::cout << "ERROR! blank frame grabbed" << std::endl;
break;
}
cv::Mat segFrame = predict_image(frame);
// fps
++count;
end = clock();
fps = count / (float(end - start) / CLOCKS_PER_SEC);
if (count >= 50) {
count = 0; //防止计数溢出
start = clock();
}
std::cout << "FPS: " << fps << " Seg Image Number: " << count << " time consume:" << (float(end - start) / CLOCKS_PER_SEC) << std::endl;
//设置绘制文本的相关参数
std::string text{ std::to_string(fps) };
int font_face = cv::FONT_HERSHEY_COMPLEX;
double font_scale = 1;
int thickness = 2;
int baseline;
cv::Size text_size = cv::getTextSize(text, font_face, font_scale, thickness, &baseline);
//将文本框居中绘制
cv::Point origin;
origin.x = 20;
origin.y = 20;
cv::putText(segFrame, text, origin, font_face, font_scale, cv::Scalar(0, 255, 255), thickness, 8, 0);
// show live and wait for a key with timeout long enough to show images
imshow("Live", segFrame);
if (cv::waitKey(5) >= 0)
break;
}
cap.release();
cv::destroyWindow("Live");
return;
}main.cpp代码：
#include <opencv.hpp>
#include <iostream>
#include "HumanSeg.h"
#include <vector>
#include "net.h"
int main() {
std::string param_path{ "D:\\C_code\\humanseg_ncnn\\onnx_model\\simple_model_interp.param" };
std::string bin_path{ "D:\\C_code\\humanseg_ncnn\\onnx_model\\simple_model_interp.bin" };
std::vector<int> input_shape{ 1, 3, 192, 192 };
HumanSeg model(param_path,bin_path,input_shape);
// 预测并保存
// model.predict_image("C:\\Users\\langdu\\Pictures\\test.png", "C:\\Users\\langdu\\Pictures\\predict.png");
// 预测并显示
//cv::Mat image = cv::imread("C:\\Users\\langdu\\Pictures\\test.png");
//cv::Mat segFrame = model.predict_image(image);
//cv::imshow("1", segFrame);
//cv::waitKey(0);
// 摄像头
model.predict_camera();
return -1;
}六、模型效果
摄像头分割效果如图所示
七：参考
2、轻量级人像分割深度学习模型PP-HumanSeg树莓派部署
3、人像分割PP-HumanSeg模型onnx C++ windows部署
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
