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_pytorch171\\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。
到此这篇关于C++ ncnn模型验证精度实现代码的文章就介绍到这了,更多相关C++ ncnn验证精度内容请搜索aitechtogether.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持aitechtogether.com！
