文章轉載于微信公眾號:GiantPandaCV
作者: 阿呆

開發(fā)環(huán)境選擇

1. 本文操作系統(tǒng)為Windows，因為Windows上的安卓模擬器選擇較多，并且真機調試也比較方便；
2. 交叉編譯在Windows和Ubuntu上都進行了嘗試，都可行，但是如果是Ubuntu上交叉編譯之后再挪到Windows的話，容易出幺蛾子；
3. 我目前使用的最穩(wěn)定的工具版本組合是：ndk18、androidstudio4.1、cmake3.10、gradle6.5、MinGW（CodeBlocks自帶）。

1. PyTorch模型轉NCNN

這一小節(jié)是介紹如何將自己重新訓練過的PyTorch模型轉成ncnn，如果沒有重訓練需求的話，可以直接跳過這一節(jié)。

（1） 整體步驟

理想情況下，從PyTorch轉到ncnn只需要下面兩步:

• PyTorch轉ONNX

复制torch.onnx._export(model,x,path,opset_version=11)  

• ONNX轉NCNN

复制./onnx2ncnnmodel.onnxmodel.parammodel.bin  

遇到問題的適合解決思路如下：

convert.png

下面介紹一下我在做ChineseOCRLite中的PSENet模型轉換的過程中遇到的問題。

（2）實際操作的時候可能會遇到各種問題

問題1：ReLU6不支持

概述：ReLU6算子在轉換的時候容易出現不支持的情況，需要使用其他算子替代

解決：使用torch.clamp替代（雖然ReLU6可以通過組合ReLU的方式實現，但是組合得到的ReLU6在NCNN中容易轉換失敗，不建議使用。）

复制defrelu6(x,inplace=True):  
returntorch.clamp(x,0,6)  

問題2：Resize算子轉換問題

概述：因為各個框架對Resize算子的支持都不盡相同，在轉換過程中總會出現一些問題，pytorch中的interpolate算子轉換成ONNX之后變成很多零散的算子，如cast、shape等，這些在ncnn里面不支持。你可以選擇手動修改文件，也可以使用下面這個自動的方法：

解決：使用onnx/_simplifier對onnx模型進行簡化，可以合并這些零散的算子。

复制python-monnxsimmodel.onnxmodel_sim.onnx  

問題3：關于轉ONNX及使用onnx/_simplifier過程中出現的一系列奇怪問題

概述：使用不同版本的ONNX可能會遇到不同的問題，比如提示conv層無輸入等（具體錯誤名稱記不清了）。

解決：下載最新ONNX源碼編譯安裝（onnx/_simplifier中出現的一些錯誤也可以通過安裝最新ONNX來解決）

复制gitclonehttps://github.com/onnx/onnx.git  
sudoapt-getinstallprotobuf-compilerlibprotoc-dev  
cdONNX  
pythonsetup.pyinstall  

問題4：模型輸出結果的尺寸固定

概述：直接轉換得到的onnx模型的Resize算子都是固定輸出尺寸的，無論輸入多大的圖片都會輸出同樣大小的特征圖，這無疑會影響到模型的精度及靈活性。

解決：修改NCNN模型的param文件，將Resize算子修改成按比例resize。

直接轉換得到的param文件中的Interp算子是這樣的：

复制Interp913119019130=21=1.000000e+002=1.000000e+003=6404=640  

從下面的ncnn源碼中可以看到，0代表resize/_type，1和2分別是高和寬的縮放比例，3和4分別是輸出的高和寬。

复制intInterp::load_param(constParamDict&pd)  
{  
resize_type=pd.get(0,0);  
height_scale=pd.get(1,1.f);  
width_scale=pd.get(2,1.f);  
output_height=pd.get(3,0);  
output_width=pd.get(4,0);  
return0;  
}  

我們只需將其修改成如下格式即可實現按比例resize：

复制Interp913119019130=11=4.000000e+002=4.000000e+00  

問題5：NCNN模型輸出結果與ONNX模型不同

解決：逐層對比NCNN與onnx模型的輸出結果

使用onnxruntime（Python）和NCNN（C++）分別提取每個節(jié)點的輸出，進行對比。對于ncnn比較簡單，可以使用

复制extractor.extract(node_name,preds);  

來提取不同節(jié)點的輸出。

問題5衍生問題1：ONNX沒有提供提取中間層輸出的方法

解決：給要提取的層添加一個輸出節(jié)點，代碼如下：

复制deffind_node_by_name(graph,node_name):  
fornodeingraph.node:  
ifnode.output[0]==node_name:  
returnnode  
returnNone  
  
defadd_extra_output_node(model,target_node,output_name):  
extra_output=helper.make_empty_tensor_value_info(output_name)  
target_output=target_node.output[0]  
identity_node=helper.make_node("Identity",inputs=[target_output],outputs=[output_name],name=output_name)  
model.graph.node.append(identity_node)  
model.graph.output.append(extra_output)  
returnmodel  

修改模型之后再使用

复制out=sess.run([output_name],{"input.1":img.astype(np.float32)})  

就可以獲取到模型的中間層輸出了。

問題5衍生問題2：發(fā)現最后一個Resize層的輸出有差異

解決：參考chineseocr/_lite里面的代碼把mode由bilinear改成了nearest（這里錯誤的原因可能是wenmuzhou/PSENet.pytorch中的模型最后一個F.interpolate中的align/_corners參數設置成了True。據說NCNN只實現了align/_corners為False的情況）。

這里修改之后的模型跟原模型之間是會有少許誤差的，如果誤差不可接受，就要重新訓練才行。

2. 交叉編譯opencv與ncnn

交叉編譯工作可以在windows上進行，使用的是MinGW + cmkae3.10 + AndroidNDK18?？梢詤⒖糤indows下編譯OpenCV android(复制https://www.cnblogs.com/zhxmdefj/p/13094954.html)

沒有windows C++環(huán)境的話，也可以選擇在linux上進行。

如果是在linux交叉編譯，然后復制到windows的話，需要修改一下opencv中cmake配置文件中的路徑。

（1）android ndk下載

最初選擇的是r20b，因為和CMake之間的兼容問題，切換到了18b。

复制wgethttps://dl.google.com/android/repository/android-ndk-r18b-linux-x86_64.zip?hl=zh_cn  
mvandroid-ndk-r18b-linux-x86_64.zip?hl=zh_cnandroid-ndk-r18b-linux-x86_64.zip  
unzipandroid-ndk-r18b-linux-x86_64.zip  

（2）編譯opencv

利用android中提供的android.toolchain.cmake 工具鏈可以快速的編譯opencv的arm版。

這里選擇的arm平臺是armeabi-v7a，便于在老舊手機上運行。

复制folde  
if[[!-d"$folder"]];then  
echo"$foldernotfound,creatingfolder..."  
mkdirbuild_arm  
fi  
cdbuild_arm  
cmake/  
-DCMAKE_TOOLCHAIN_FILE=/  
/home/dai/soft/android-ndk-r18b/build/cmake/android.toolchain.cmake/  
-DANDROID_NDK=/home/dai/soft/android-ndk-r18b/  
-DCMAKE_BUILD_TYPE=Release/  
-DBUILD_ANDROID_PROJECTS=OFF/  
-DBUILD_ANDROID_EXAMPLES=OFF/  
-DANDROID_ABI=armeabi-v7a/  
-DANDROID_NATIVE_API_LEVEL=21..  
make-j4  

（3）編譯ncnn

編譯選項參考ncnn wiki(https://github.com/Tencent/nc...

复制folde  
if[[!-d"$folder"]];then  
echo"$foldernotfound,creatingfolder..."  
mkdirbuild_arm  
fi  
cdbuild_arm  
cmake/  
-DCMAKE_TOOLCHAIN_FILE=/  
/home/dai/soft/android-ndk-r18b/build/cmake/android.toolchain.cmake/  
-DANDROID_AB/  
-DANDROID_ARM_NEON=ON/  
-DANDROID_PLATFORM=android-14/  
..  
make-j4  

（4）chineseocr/_lite的PC端測試

與ncnn有關的代碼位于ncnn/_project目錄下。在有opencv和ncnn庫的基礎上，可以先在pc端跑一下識別代碼。

复制cdncnn_project/ocr  
mkdirbuild_arm  
cdbuild_arm  
cmake..  
make-j4  

編譯完成之后

复制./TextRecognition../test1.jpg  

可以看到輸出結果:

复制psenet前向時間:0.462291s  
psenetdecode時間:0.0604791s  
boxzie10  
預測結果：  
一  
統(tǒng)  
;名  
稱  
丹正珍  
類住  
型  
有限責  
所  
中山市  
角度檢測和文字識別總時間:1.52042s  

3. NCNN模型的安卓端部署

因為代碼較長，這一部分只介紹把PC端代碼遷移到安卓端的思路，想看詳細代碼的同學請移步文末的Github地址。

遷移的整體思路如下圖所示：

android/_flow.png

下面一一介紹圖中內容

UI界面

這個demo的UI界面中至少應包含三個元件：

Button——用于選擇相冊圖片

ImageView——用于展示圖片及文本檢測框

TextView——用于展示識別結果

界面截圖如下（TextView在沒有文字的時候是不顯示的）：

UI.jpg

界面res/layout/activity/_main.xml文件修改。

Java部分

模型推理是在C++中完成的，Java部分的代碼主要是利用安卓的API實現圖片讀取、文本檢測框繪制和結果展示等功能。

需要傳入到C++函數的內容包括Bitmap圖片和AssetManager對象。

從C++接收到的是一個包含文本框和識別結果的字符串。

C++部分

C++負責模型推理，推理代碼與PC端無異，只是安卓端的文件讀取與PC端不同，需要修改文件讀取代碼，比如crnn的模型加載代碼就需要改成下面的樣子：

复制intmodel::init(AAssetManager*mgr,conststd::stringcrnn_param,conststd::stringcrnn_bin)  
{  
intret1=crnn.load_param(mgr,crnn_param.c_str());  
intret2=crnn.load_model(mgr,crnn_bin.c_str());  
LOGI("ret1is%d,ret2is%d",ret1,ret2);  
return(ret1||ret2);  
}  

另外還需要把Java部分傳過來的Bitmap轉換成cv::Mat，代碼如下：

复制//convertbitmaptomat  
int*data=NULL;  
AndroidBitmapInfoinfo={0};  
AndroidBitmap_getInfo(env,bitmap,&info);  
AndroidBitmap_lockPixels(env,bitmap,(void**)&data);  
  
//這里偷懶只寫了RGBA格式的轉換  
LOGI("infoformatRGBA?%d",info.format==ANDROID_BITMAP_FORMAT_RGBA_8888);  
cv::Mattest(info.height,info.width,CV_8UC4,(char*)data);//RGBA  
cv::Matimg_bgr;  
cvtColor(test,img_bgr,CV_RGBA2BGR);  

最終識別結果

最終得到的demo識別結果如下圖所示：

result.jpg

本項目完整代碼請移步github：

https://github.com/Arctanxy/D...

推薦閱讀

• 深度學習量化技術科普
• 簡單粗暴的多對象目標跟蹤神器 – DeepSort
• 低比特量化之DoreFa-Net理論與實踐

更多嵌入式AI技術干貨請關注嵌入式AI專欄。

審核編輯：符乾江