1.ncnn的使用2：onnx转ncnn模型跑resnet18
ncnn的使用2：onnx转ncnn模型跑resnet18
NCNN的使用教程：将ONNX模型转换为运行ResNet
NCNN提供了强大的模型转换工具，便于将Caffe、ONNX等模型转换为ncnn格式。在编译后的开发者文档源码ncnn build/tools目录下，我们找到了onnx2ncnn工具。本文将展示如何使用它将PyTorch导出的ResNet的ONNX模型转换为ncnn适用的模型。
项目的结构如下：src存放源代码，python包含脚本，model_param存放模型文件，image存放推理，bin存放可执行文件。彩虹易支付源码官网在bin目录下，我们拷贝了来自ncnn/build/tools/onnx的onnx2ncnn工具。
在python脚本export_res.py中，通过给定示例输入，我们导出resnet的财务共享影像管理系统源码ONNX模型至model_param目录。然后，我们使用ncnn官方提供的工具onnx2ncnn进行转换，生成resnet.param和resnet.bin文件，分别存储模型结构和参数。
resnet.param文件包含（magic number）和层与blob的小斗主图指标源码数量，其中blob用于存储中间数据。Blob的数量通常比层多，因为每个层可能有多个输入和输出。例如，Convolution层有输入和输出blob，免费开源bbs小程序源码而Split算子则有多个输入和输出。
在推理代码中，我们参考ncnn/examples/squeezenet.cpp编写，首先创建Net实例，加载模型参数（resnet.param和resnet.bin），并确保输入转换为RGB格式，因为OpenCV默认为BGR。此外，还需对进行归一化处理，以适应模型的输入要求。
CMakeLists.txt文件中，我们设置了ncnn库的搜索路径，并将可执行文件输出到bin目录下，同时链接ncnn和OpenCV库。
通过以上步骤，你已经学会了如何使用ncnn将ONNX格式的ResNet模型转换并进行推理。
