本篇測評由電子發(fā)燒友的優(yōu)秀測評者“ALSET”提供。

電子發(fā)燒友網(wǎng)發(fā)布了一款試用產(chǎn)品：米爾 MYD-Y6ULX-V2 開發(fā)板，基于 NXP i.MX6UL/i.MX6UL L處理器，該開發(fā)板被米爾稱之為經(jīng)典王牌產(chǎn)品。本次測試目標是在此開發(fā)板上進行神經(jīng)網(wǎng)絡(luò)框架ncnn的移植與測試開發(fā)，測試ncnn在此開發(fā)板上的性能與應(yīng)用測試。

01.

什么是ncnn

ncnn 是騰訊優(yōu)圖推出的在手機端極致優(yōu)化的高性能神經(jīng)網(wǎng)絡(luò)前向計算框架。也能夠在移動設(shè)備上的高性能神經(jīng)網(wǎng)絡(luò)前向計算框架。ncnn 從設(shè)計之初深刻考慮移動端的部署和使用。無第三方依賴，跨平臺，其中手機端 cpu的速度快于目前所有已知的開源框架?；趎cnn，能夠?qū)?a target="_blank">深度學(xué)習(xí)算法輕松移植到手機端和移動設(shè)備上高效執(zhí)行，開發(fā)人工智能應(yīng)用。以騰訊內(nèi)部應(yīng)用為例，ncnn目前已在QQ，Qzone，微信，天天P圖等上得到應(yīng)用。ncnn支持大部分常用的CNN 網(wǎng)絡(luò)：Classical CNN: VGG AlexNetGoogleNet Inception …Practical CNN: ResNetDenseNet SENet FPN …Light-weight CNN:SqueezeNet MobileNetV1/V2/V3 ShuffleNetV1/V2 MNasNet …Detection: MTCNNfacedetection …Detection: VGG-SSDMobileNet-SSD SqueezeNet-SSD MobileNetV2-SSDLite …Detection: Faster-RCNNR-FCN …Detection: YOLOV2 YOLOV3MobileNet-YOLOV3 …Segmentation: FCN PSPNetUNet …騰訊優(yōu)圖實驗室是主要研究計算機視覺技術(shù)，ncnn的許多應(yīng)用方向也都在圖像方面，如人像自動美顏，照片風(fēng)格化，超分辨率，物體識別。騰訊優(yōu)圖ncnn提供的資料顯示：對比目前已知的同類框架，ncnn是cpu框架中最快的，安裝包體積最小，跨平臺兼容性中也是最好的。以蘋果主推的CoreML為例，CoreML是蘋果主推的 iOS gpu計算框架，速度非?？?，但僅支持 iOS11以上的 iphone手機受眾太狹窄。非開源也導(dǎo)致開發(fā)者無法自主擴展功能。

02.

ncnn功能簡介

ncnn支持卷積神經(jīng)網(wǎng)絡(luò)，支持多輸入和多分支結(jié)構(gòu)，可計算部分分支無任何第三方庫依賴，不依賴 BLAS/NNPACK 等計算框架純 C++ 實現(xiàn)，跨平臺，支持 android ios 等ARM NEON 匯編級良心優(yōu)化，計算速度極快精細的內(nèi)存管理和數(shù)據(jù)結(jié)構(gòu)設(shè)計，內(nèi)存占用極低支持多核并行計算加速，ARM big.LITTLE cpu 調(diào)度優(yōu)化。支持基于全新低消耗的 vulkan api GPU 加速整體庫體積小于 700K，并可輕松精簡到小于 300K可擴展的模型設(shè)計，支持 8bit 量化和半精度浮點存儲，可導(dǎo)入 caffe/pytorch/mxnet/onnx 模型支持直接內(nèi)存零拷貝引用加載網(wǎng)絡(luò)模型可注冊自定義層實現(xiàn)并擴展。ncnn與同類框架對比

03.

在i.MX6ull上移植編譯ncnn

工程地址：
githubhttps://github.com/Tencent/ncnn 從工程的readme文件看，該工程已經(jīng)支持很多嵌入式CPU的架構(gòu)，其中就有arm 32位版本。既然支持arm32位，那么ixm6ull處理器也應(yīng)該支持，即著手編譯MYD-Y6ULX-V2開發(fā)板上的版本。1.從github 上拉取ncnn源碼在主機上執(zhí)行命令：Sudo git clonehttps://github.com/Tencent/ncnn.git可見是一個 cmake工程，那么嘗試cmake 編譯。2.初次使用camke編譯先進入ixml6ull的SDK下，切換到交叉編譯環(huán)境，然后創(chuàng)建 build 目錄，進入build目錄下，執(zhí)行cmake命令cmake ../從輸出信息上看 cmake失敗，查看cmake 日志，發(fā)現(xiàn)錯誤原因是cmake在生成開發(fā)板的makefile文件時，需要指定使用的編譯工具鏈。3.添加imx6ull開發(fā)板的編譯配置根據(jù)腳本的過程，在toolchains目錄下，有很多其它開發(fā)板的編譯配置文件，參照其它開發(fā)板的配置文件，添加一個該開發(fā)板的配置文件。文件名：arm-poky-linux-gnueabi.cmake內(nèi)容如下：

set(CMAKE_SYSTEM_NAME Linux)set(CMAKE_SYSTEM_PROCESSOR arm)set(CMAKE_C_COMPILER "arm-poky-linux-gnueabi-gcc")set(CMAKE_CXX_COMPILER "arm-poky-linux-gnueabi-g++")set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)
set(CMAKE_C_FLAGS "-march=armv7-a -mfloat-abi=hard -mfpu=neon --sysroot=/home/lutherluo/workspace/fsl-imx-fb/5.10-gatesgarth/sysroots/cortexa7t2hf-neon-poky-linux-gnueabi")
set(CMAKE_CXX_FLAGS "-march=armv7-a -mfloat-abi=hard -mfpu=neon --sysroot=/home/lutherluo/workspace/fsl-imx-fb/5.10-gatesgarth/sysroots/cortexa7t2hf-neon-poky-linux-gnueabi")
# cache flagsset(CMAKE_C_FLAGS "${CMAKE_C_FLAGS}" CACHE STRING "c flags")set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS}" CACHE STRING "c++ flags")

4.再使用cmake生成編譯文件添加完該開發(fā)板的編譯工具鏈后，就可以使用cmake來生成編譯所需的makefile文件了。在cmake時，可以指定除了編譯ncnn庫外，還可以編譯ncnn例子程序。命令如下：cmake-DCMAKE_BUILD_TYPE=Release -DNCNN_SIMPLEOCV=ON-DCMAKE_TOOLCHAIN_FILE=../toolchains/arm-poky-linux-gnueabi.cmake-DNCNN_BUILD_EXAMPLES=ON ..查看目錄下，已經(jīng)順利地生成了 Makefile文件。5.使用make編譯文件然后可以正式編譯ncnn庫和測試樣例程序了。直接執(zhí)行make –j4就開始愉快地編譯了。編譯libncnn庫文件成功，會繼續(xù)自動編譯 examples 下的例子文件。大約10多分鐘，順利地全部編譯完成。在編譯測試用例時，會出現(xiàn)庫格式錯誤的提示，此時需要設(shè)置一下交叉編譯環(huán)境下的庫歸檔工具，系統(tǒng)默認使用的是arm-poky-linux-gnueabi-ar 工具，這個工具產(chǎn)生的 .a文件有問題，經(jīng)過測試使用 arm-poky-linux-gnueabi-gcc-ar 即可。只需要在執(zhí)行切換交叉環(huán)境腳本后，再單獨執(zhí)行一下以下命令即可修改該問題：export ar=arm-poky-linux-gnueabi-gcc-ar再進行編譯即可。6.查看編譯結(jié)果編譯完成后，在build目錄下，可以看到 benchmark 目錄，該目錄下就是ncnn的基準測試工具，可以看到目標板執(zhí)行文件已經(jīng)編譯出來。再進入到 build/example 下，可以看到所有例程也編譯出來了。

04.

板上運行測試ncnn

編譯完成把可執(zhí)行文件與模型文件復(fù)制到開發(fā)板里進行測試。
把 build/benchmark 下的benchmark 復(fù)制到開發(fā)板/home/root/ncnn 目錄下，同時把工程根目錄下的benchmark 目錄下所有文件也復(fù)制到開發(fā)板 /home/root/ncnn目錄下，
然后就可以執(zhí)行 benchmark 執(zhí)行文件來測試開發(fā)板的人工神經(jīng)網(wǎng)絡(luò)的計算能力。
先把開發(fā)環(huán)境下目標文件系統(tǒng)arm目錄下/usr/lib下的libgomp.so.1文件復(fù)制到開發(fā)板的/usr/lib下，這個文件是并行計算庫，ncnn編譯時用到了這個庫，這個庫在多核處理器上能夠支持執(zhí)行并行計算。然后再在本開發(fā)板執(zhí)行benchmark，執(zhí)行輸出結(jié)果如下圖：
可見大部分的模型能夠跑通了，有部分模型運行出現(xiàn)異常。
從拋出的分值可以評估該開發(fā)板的神經(jīng)網(wǎng)絡(luò)推理計算能力了。
這個分值是一個模型推理一次的耗時，所以數(shù)值越小意味著算力越強?？紤]到這個開發(fā)板是一個arm v7入門級的開發(fā)板，這樣的性能已經(jīng)超乎預(yù)料了。

05.

測試基于ncnn的應(yīng)用

這里在MYD-Y6ULX-V2開發(fā)板上測試ncnn的應(yīng)用例子，這里就用ncnn下的例程來做測試，在上面編譯完example后，在build目錄下會產(chǎn)生example的目標板的可執(zhí)行文件。編譯出來的例子程序如下,把他們?nèi)總鞯介_發(fā)板上。
需要注意的是，除了ncnn的應(yīng)用執(zhí)行文件，在這些例子執(zhí)行的時候，還需要模型和測試的資源文件，而這些文件體積都比較大，因此不能傳送到開發(fā)板的系統(tǒng)目錄上，需要單獨存在擴展的存儲空間上。
經(jīng)過觀察板上的文件系統(tǒng)，發(fā)現(xiàn)有3.1G的空間沒有使用，此時可以使用fdisk 來格式化該空間，格式化成 ext4 格式，重啟板子后，就可以看到這部分空間了，然后把ncnn的所有測試執(zhí)行文件和資源文件傳到該目錄下，這樣就夠用了。
在板上執(zhí)行各個測試例子，會提示缺少相關(guān)模型文件和參數(shù)文件，這些模型和參數(shù)文件在這個github上面，下載相應(yīng)的文件到當(dāng)前目錄下就可以。
https://github.com/nihui/ncnn-assets/tree/master/models
1. 測試圖片分類器
準備被測試圖片,test,jpg ,傳到上ncnn當(dāng)前目錄下
并且下載好 squeezenet_v1.1.param和 squeezenet_v1.1.bin 文件到 ncnn當(dāng)前目錄下，然后執(zhí)行一下命令：
./squeezenet./test.jpg
很快就輸出識別結(jié)果，輸出結(jié)果如下圖
輸出結(jié)果前面的編號和分類號，具體可以參考：
mageNet20121000分類名稱和編號
https://zhuanlan.zhihu.com/p/315368462
但不知本測試模型所用分類的版本是否和這個一致。
2測試圖片內(nèi)容多目標識別
測試圖片內(nèi)容識別，先用上面的圖，再使用 squeezenetssd 來執(zhí)行。執(zhí)行前先下載 squeezenet_ssd_voc.bin和 squeezenet_ssd_voc.param 到板上ncnn當(dāng)前目錄下，然后執(zhí)行：
./squeezenetssd./test.jpg
大約3秒左右輸出結(jié)果如圖：
輸出的分類編號，可見代碼的定義：
同時輸出了識別結(jié)果圖：
再測試另外一張圖;
執(zhí)行結(jié)果如下：
輸出識別結(jié)果圖：
上面的識別，因為輸出的第二個目標被第三個目標遮蓋，第二個識別為“Dog”，所以識別準確度還是比較高的。
再測試了一張圖：
輸出：
識別效果也比較理想。

06.

ncnn移植測試總結(jié)

經(jīng)過在MYD-Y6ULX-V2開發(fā)板上，進行這次的ncnn移植測試，總體非常順利，在移植中只需要針對開發(fā)板的編譯器，修改添加相應(yīng)的編譯腳本即可順利的編譯ncnn庫和所有例程。并不需要對代碼做任何改動或者調(diào)整，因此過程很快，短暫的時間就可以完成ncnn這樣一個神經(jīng)網(wǎng)絡(luò)框架在本開發(fā)板上運行起來。
對ncnn的benchmark的性能測試來看，因為本開發(fā)板僅為arm v7單核處理器，處于入門級的一款開發(fā)板，能跑出這樣的成績已經(jīng)出乎意料。
在對實際圖像分類和圖像內(nèi)容識別測試中，其中圖像分類僅百十毫秒就出結(jié)果，對多目標識別單張圖在2秒左右，這對一些靜態(tài)的環(huán)境下已經(jīng)能夠達到業(yè)務(wù)使用的需求了，再綜合其硬件性能，可見效能比是非常高的。同時工程里還帶有一些各種其它框架模型轉(zhuǎn)化ncnn的工具，方便將其它模型轉(zhuǎn)化到ncnn上來使用，非常方便。
同時也測試出ncnn的良好的可移植性和對不同嵌入式硬件的支持較好，其它任何一個神經(jīng)網(wǎng)絡(luò)框架恐怕無法在這樣一個系統(tǒng)上運行，因此也為這樣一個有效的國產(chǎn)開源神經(jīng)網(wǎng)絡(luò)項目點贊。