環境 Ubuntu 18.04 LTS

本文主要介紹從github上下載 MNN 后,如何快速的進行編譯

1.安裝C/C++編譯器 gcc 與 NDK

#首先安裝好gcc, 用來編譯 MNN 中的工具等內容
sudo apt install build-essential
gcc --version

#其次, 安裝NDK或者安裝Android Studio, 然后安裝NDK插件,
#在https://developer.android.com/ndk/downloads/下載安裝NDK，建議使用最新穩定版本
#NDK用來編譯Android版本的 libmnn.so

安裝protobuf(3.0以上) (Protocol Buffers - Google’s data interchange format)

#安裝依賴工具
sudo apt-get install autoconf automake libtool curl make g++ unzip

#編譯安裝protobuf
git clone https://github.com/protocolbuffers/protobuf.git
cd protobuf
git submodule update --init --recursive
./autogen.sh

./configure make make check sudo make install sudo ldconfig

編譯 Linux 工具
cd /path/to/MNN/

#編譯flatbuffer(pc平臺編譯器)等三方工具以及其他內容
./schema/genrate.sh
./tools/script/get_model.sh (可選, 模型僅demo工程需要)
mkdir build && cd build

#編譯 MNN 的各種benchmark, converter, quantools, demo, ealuation, test, demo等內容
cmake … -DMNN_BUILD_CONVERTER=true -DMNN_BUILD_BENCHMARK=true -DMNN_BUILD_QUANTOOLS=true -DMNN_EVALUATION=true -DMNN_BUILD_TEST=true -DMNN_BUILD_TRAIN=true -DMNN_BUILD_TOOLS=true -DMNN_BUILD_DEMO=true
make -j4

編譯Android 庫
#屬于交叉編譯, 原理是cmake 的 CMAKE_TOOLCHAIN_FILE指定交叉編譯文件 $ANDROID_NDK/build/cmake/android.toolchain.cmake (Android Studio 使用 cmake 也是這個原理)
#所以事先需要在 ~/.bashrc 或者 ~/.bash_profile 中設置Android NDK 環境變量, 比如 export ANDROID_NDK=/opt/Android/Sdk/ndk/21.1.6352462

cd project/android

#編譯armv7動態庫：
mkdir build_32 && cd build_32 && …/build_32.sh

#編譯armv8動態庫：
mkdir build_64 && cd build_64 && …/build_64.sh

編譯 iOS 庫
在 macOS下, 用xcode打開 project/ios/MNN.xcodeproj, 點擊編譯即可

查看內容

#查看 /MNN/build 目錄內容
root@hemmingway-YangTianM4000e-06:/home/hemmingway/workspace_mnn/MNN/build# ls

backendTest.out cmake_install.cmake MNNConvert pictureRotate.out testModel.out
benchmarkExprModels.out dataTransformer.out MNNDump2Json quantized.out testModelWithDescrisbe.out
benchmark.out express MNNV2Basic.out rawDataTransform.out timeProfile.out
checkInvalidValue.out expressDemo.out mobilenetTest.out run_test.out tools
classficationTopkEval.out getPerformance.out multiPose.out runTrainDemo.out train.out
CMakeCache.txt libMNN.so OnnxClip segment.out transformer.out
CMakeFiles Makefile pictureRecognition.out TestConvertResult

#查看 MNN 的模型轉換工具 MNNConvert 的使用
root@hemmingway-YangTianM4000e-06:/home/hemmingway/workspace_mnn/MNN/build# ./MNNConvert -h

Usage:
MNNConvert [OPTION…]

-h, --help Convert Other Model Format To MNN Model

-v, --version show current version
-f, --framework arg model type, ex: [TF,CAFFE,ONNX,TFLITE,MNN]
–modelFile arg tensorflow Pb or caffeModel, ex: *.pb,*caffemodel
–prototxt arg only used for caffe, ex: *.prototxt
–MNNModel arg MNN model, ex: *.mnn
–fp16 save Conv’s weight/bias in half_float data type
–benchmarkModel Do NOT save big size data, such as Conv’s weight,BN’s
gamma,beta,mean and variance etc. Only used to test
the cost of the model
–bizCode arg MNN Model Flag, ex: MNN
–debug Enable debugging mode.
–forTraining whether or not to save training ops BN and Dropout,
default: false

root@hemmingway-YangTianM4000e-06:/home/hemmingway/workspace_mnn/MNN/build#

#查看 /MNN/project/android 目錄內容
root@hemmingway-YangTianM4000e-06:/home/hemmingway/workspace_mnn/MNN/project/android# ls
build_32_ndk14.sh build_32_vulkan.sh build.gradle gradlew rTest.sh src
build_32.sh build_64 build_vulkan.sh Hmacro.py run.sh testBasic.sh
build_32_shared.sh build_64.sh CMakeExports.txt nativepub.gradle settings.gradle testCommon.sh
build_32_stl_shared.sh build_gnu_32.sh gradle pullResult.sh speedTest.sh updateTest.sh

總結

以上是生活随笔為你收集整理的Ubuntu 18.04 LTS环境下 MNN 的编译与使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。