C++ ncnn模型验证精度如何实现

本篇内容主要讲解“c++ ncnn模型验证精度如何实现”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“C++ ncnn模型验证精度如何实现”吧!

验证ncnn模型的精度

1、进行pth模型的验证

得到ncnn模型的顺序为：.pth–>.onnx–>ncnn

.pth的精度验证如下：

如进行的是二分类：

    model = init_model(model, data_cfg, device=device, mode='eval')    ###.pth转.onnx模型    # #---    # input_names = ["x"]    # output_names = ["y"]    # inp = torch.randn(1, 3, 256, 128) ##错误示例    inp = np.full((1, 3, 160, 320), 0.5).astype(np.float) #(160,320) = (h,w)    inp = torch.FloatTensor(inp)    out = model(inp)    print(out)

没有经过softmax层，out输出为±1的两个值。

2、转为onnx后的精度验证

   sess = onnxruntime.InferenceSession("G:\\PyCharm_PyTorch271\\pytorch_classification\\main\\sim.onnx", providers=["CUDAExecutionProvider"])  # use gpu    input_name = sess.get_inputs()[0].name    print("input_name: ", input_name)    output_name = sess.get_outputs()[0].name    print("output_name: ", output_name)    # test_images = torch.rand([1, 3, 256, 128])    test_images = np.full((1, 3, 160, 320), 0.5).astype(np.float) #(160,320) = (h,w)    test_images = torch.FloatTensor(test_images)    print("test_image", test_images)    prediction = sess.run([output_name], {input_name: test_images.numpy()})    print(prediction)

3、ncnn精度验证

首先保证mean、nORM输出的值与onnx保持一致，因为onnx直接输入值0.5，ncnn模型经过mean、norm计算后的结果与0.5一致就行。

然后就是ncnn模型的计算输出

- 查看输出结果是否是0.5，首先得将输入值1给到img

 ```cpp     constexpr int w = 320;     constexpr int h = 160;     float cbuf[h][w];     cv::Mat img(h, w, CV_8UC3,(float *)cbuf);     //BYTE* iPtr = new BYTE[128 * 256 * 3];     BYTE* iPtr = new BYTE[h * w * 3];     for (int i = 0; i < h; i++)     {         for (int j = 0; j < w; j++)         {             for (int k = 0; k < 3; k++)             {                 //iPtr[i * 256 * 3 + j * 3 + k] = img.at<cv::Vec3f>(i, j)[k];                 img.at<cv::Vec3b>(i, j)[k] = 1;             }         }     } ``` - 经过上面的赋值，通过了mean、norm计算后，得到的结果进行查看，值为0.5则正确转换。得到的结果送入下面的代码进行输出。 ncnn结果为mat，因此采用该方法进行遍历查看。 ```cpp //输出ncnn mat void ncnn_mat_print(const ncnn::Mat& m) {     for (int q = 0; q < m.c; q++)     {         const float* ptr = m.channel(q);         for (int y = 0; y < m.h; y++)         {             for (int x = 0; x < m.w; x++)             {                 printf("%f ", ptr[x]);             }             ptr += m.w;             printf("\n");         }         printf("------------------------\n");     } } ``` 将mat给到模型进行推理得到结果。

4、结果确认

一般情况下，pth模型与onnx模型结果相差不大，ncnn会有点点损失，千分位上的损失，这样精度基本上是一致的。

若不一致，看哪一步结果相差太大，如果是ncnn这一步相差太大，检查是否是值输入有问题，或者是输入的(h,w)弄反了。

到此，相信大家对“C++ ncnn模型验证精度如何实现”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！