树莓派4B上ncnn转换出来的模型调用时总是崩溃(Segment Fault)的原因

原创 已于 2022-07-04 14:46:41 修改 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ncnn #Raspberry

于 2022-06-25 22:11:20 首次发布
在树莓派4B上编译并运行ncnn时遇到SegmentFault错误，通过gdb调试发现崩溃发生在convolution_3x3.h的卷积层。问题出在使用了32位系统而非64位。解决方案是在编译ncnn时添加-DCMAKE_TOOLCHAIN_FILE=../toolchains/pi3.toolchain.cmake选项，确保编译适配32位系统。重新编译ncnn和转换模型后，问题得到解决。

最近拿到一个树莓派4B的板子做实验，在上面编译出ncnn后，将模型转换出bin和param文件后调用时总是因为Segment Fault崩溃，编译了个debug版的ncnn后用gdb查一下，发现总是崩溃在convolution_3x3.h里:

#0  0x000dccb0 in ncnn::_ZN4ncnnL14conv3x3s1_neonERKNS_3MatERS0_S2_S2_RKNS_6OptionE._omp_fn.13(void) () at /root/ncnn/src/layer/arm/convolution_3x3.h:423
#1  0xb6eabc64 in ?? () from /usr/lib/arm-linux-gnueabihf/libgomp.so.1

崩溃处的代码是:

sum0 += r0[0] * k0[0];

r0是当前layer的输入特征数据，k0是卷积核数据，表面看不出有何问题，后来从头检查了一下，发现板子烧写的是32位的系统(armv7l)，不是64位(aarch64)的，所以编译ncnn时注意加上

     -DCMAKE_TOOLCHAIN_FILE=../toolchains/pi3.toolchain.cmake

这个选项，否则转换出来的模型每次调用时都崩溃，加上这个选项后重新编译ncnn，然后再使用onnx2ncn转换出的模型就可以正常使用了。

基于树莓派4B与NCNN的YOLOv8高效部署实战：无GPU环境下的C++加速优化全流程指南**
FJN110的博客
06-26 655
本文详细介绍了在树莓派4B上基于NCNN框架部署YOLOv8目标检测模型的全流程。内容包括：从PyTorch模型导出NCNN格式文件、树莓派环境配置（OpenCV和NCNN编译）、C++实现代码解析（含模型加载、推理及后处理），以及实际部署测试结果。在树莓派4B上达到约2FPS，并提供INT8量化、多线程等优化建议。该方案为无GPU设备提供了轻量化目标检测的实用部署方案，适合边缘计算场景。
在树莓派4B上基于NCNN框架部署YOLOv8的实战教程
最新发布
m0_64661770的博客
07-23 349
摘要：本文详细介绍了在树莓派4B上基于NCNN框架部署YOLOv8目标检测模型的完整流程。从PyTorch模型转换为NCNN格式，到树莓派环境配置（OpenCV和NCNN编译），再到C++代码实现与优化，涵盖模型加载、推理和绘图等核心功能。测试结果显示，树莓派4B上可实现约2 FPS的检测速度，Windows平台达6~7 FPS。文章还提供了量化模型、多线程优化等实用建议，并附常见问题解答，为边缘设备部署轻量化目标检测提供了可行方案。（149字）
C++推理ncnn模型报错Segmentation fault (core dumped)
MY_WARNING的博客
06-29 1532
推理代码
signal 11 (SIGSEGV), code 1 (SEGV_MAPERR), fault addr 0x0(Cause: null pointer dereference)
weixin_42388228的博客
07-12 3787
问题描述： 基于mnn编译的面向安卓平台的模型推理so动态在android studio调用其推理函数时报空指针错误(完整错误输出在最后)，且错误行在于mnn推理输出的指针数组元素的判断语句(如下代码)，但之前使用其他模型时加入类似语句并未报错，所以猜测问题出在了模型上面 int* output_tensor_array = output_tensor->host<int>(); output_tensor_array[col + 1024 * row] == 2 //此处为addr2li
关于ncnn使用多个模型的问题
GZ_public的博客
11-16 1421
android加载多个同类模型
mmocr验证时出现Segmentation fault (core dumped)
qq_38365929的博客
03-04 319
最近在构建自己的数据集，模型测试的时候出现Segmentation fault (core dumped)，原因是自己的版本问题，重建个虚拟环境，安装mmocr，再跑就好了
onnx.checker.check_model segmentation fault
GeneralJing的专栏
12-02 1717
今天对微调修改op的模型进行50个epoch训练后，将模型导出为onnx的过程中，遇到一个有意思的现象。转换后的模型，可以正常通过onnxruntime进行推理测试，但是在check_model的时候报错了，segmentation fault。百度查了下说是要在import torch之前，先进行import onnx。试了一下，check_model就通过了。 另外一个现象是，为了推理加速，将后处理的操作移到了模型内，这种可以推理然后保存，但是训练就会报错，说是类型不匹配，具体的报错信息，因为目前在训
树莓派4B上部署NCNN
xiaozhu_daidai的博客
07-20 948
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。
YOLOv9目标检测模型部署树莓派4b和树莓派5-基于ncnn框架（含转换好的模型+使用说明）.zip
12-03
本项目是针对YOLOv9目标检测模型在树莓派4b和树莓派5上部署的实践应用，项目内容涵盖了模型部署和性能基准测试。项目中使用的技术栈包括C++语言和OpenCV库，C++作为系统编程语言，具有高效的执行效率和良好的跨平台...
树莓派4B安装ncnn
Tiiktak‘s
05-12 1368
树莓派4B安装ncnn 1. clone ncnn code git clone https://github.com/Tencent/ncnn.git cd ncnn git submodule update --init 2. build cd ncnn mkdir -p build cd build sudo apt install build-essential git cmake libprotobuf-dev protobuf-compiler libvulkan-dev vulkan-.
Onnxruntime-gpu运行时出现段错误Segmentation fault (core dumped)
科软搬砖人
07-29 920
onnnxruntime段错误
onnx模型转TensorRT 报错 - Segmentation fault (core dumped) | Your ONNX model has been generated...【最新总结】
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
09-26 8519
这个报错，目前这个博客提供的方法，然而并没有解决我的问题【这里做个备忘】 https://blog.youkuaiyun.com/weixin_41010198/article/details/107712487 文章目录【运行报错一】Segmentation fault (core dumped)onnxsim 进行精简转换成功【PASSED 得到 yolov4_-1_3_608_608_dynamic.engine】【报错二】 ERROR: coreReadArchive.cpp (41) - Serializ.
产生segment fault的原因及调试方法总结
一介码夫
03-11 8937
段错误（以下定义摘自C专家编程） 段错误通常是由于解除引用一个未初始化或非法值的指针引起的。以发生频率为序，最终可能导致段错误的常见编程错误是： 1、坏指针错误：在指针赋值之前就用它来引用内存；或者向库函数传递一个坏指针(如果调试器显示系统程序中出现了段错误，很可能并不是系统程序引起的段错误，问题可能就出现在自己的代码中)；或者指针被释放后还继续访问它的内容。 2、改写错误：越过数组边界写入
ncnn Fatal signal 11 (SIGSEGV) 使用GPU加速崩溃
风起于青萍之末，折秀于林
10-07 673
ncnn硬件加速崩溃问题
你正在使用GPU进行CNN类模型训练，突然发生了内存溢出的错误，你可以通过哪些方式来进行解决？
data+scenario+science+insight
07-02 2356
你正在使用GPU进行CNN类模型训练，突然发生了内存溢出的错误，你可以通过哪些方式来进行解决？ 在GPU内存发生溢出（memory overflow）的时候、我们首先想到的肯定是增加GPU的资源，比如我们变成多GPU训练或者升级GPU的类型。 但是，现实情况下，资源往往是有限的。那么我们就得考虑别的方案来进行问题的解决： 1， 减少每个批次的大小（降低batch_size）； 2，在一层或者多层中使用较大的步幅（stride）来降低维度； 3，删除网络中的一层或者多层； 4，使.
将yolov8部署到android安卓遇到的几个问题
2201_75569354的博客
01-12 1667
（或opset=11或13，反正就是这个区间）具体原理我也不清楚，这是来自b站的方法【yolov8 最新版本 安卓 ncnn 部署 Android onnx模型转换ncnn】https://www.bilibili.com/video/BV1Uo4y1F7vG?训练模型我是跟着b站上这个大佬视频做的，一遍过【yolov8超简单环境搭建、标注、训练、转onnx、转输出维度】https://www.bilibili.com/video/BV1Mu411F7MD?CMake :3.10.2（这个必须！
神经网络模型中遇到Segementation falut的解决办法
weixin_45007507的博客
09-01 776
神经网络模型中遇到Segementation falut的解决办法
FeiGeChuanShu/ncnn-android-yolov8崩溃问题解决
weixin_43753008的博客
06-21 1267
玩了下，过程真是蜿蜒曲折啊，先是我的小米手机不支持camera2 api，飞哥的项目用的camera2 的api，我先是用camera1来试着修改，但是由于camera1是nv21数据，不能直接调用飞哥写了api，我就用nv21转bitmap再转成opencv mat来操作最后通过imageView.setBitmap展示，发现性能太差了，然后就尝试将手机刷机然后修改属性支持了camera2，这样我想应该没问题了，结果发生了崩溃，然后进行崩溃分析解决，然后就有了这篇记录文章。
（二）树莓派4B和NCS2配置时cmake编译报错以及import error:can‘t find moudle named “libopencv_ml.so.4.1“等等各种踩坑解决办法
m0_46339652的博客
09-22 1569
笔者近期在继续学习树莓派，搭配英特尔神经计算棒二代NCS2进行边缘段AI硬件平台部署。 一.一切按照网上相关亲娘级无痛教学开始无脑ctrl+c/v，但就在按照openvino工具包官方推荐示例中camke编译出错了，起初是在执行“make -j2 object_detection_sample_ssd”时报错，完整报错如下：Linking CXX executable …/armv7l/Release/object_detection_sample_ssd /usr/bin/ld: warning: lib
树莓派4b如何安装ncnn框架
03-08
<think>好的，用户想在树莓派4B上安装ncnn框架。我需要根据提供的引用资料来整理步骤。首先，检查引用内容，看看有没有安装ncnn的具体步骤。引用2提到在64位树莓派上安装ncnn，并且需要先安装OpenCV。引用5说编译很快，问题不多。另外，引用3提醒不要用pip或apt安装OpenCV，必须确保是64位版本。用户可能需要先安装OpenCV，参考引用2中的博客链接。然后，安装ncnn时需要从源码编译，步骤可能包括克隆仓库、创建build目录、cmake配置、编译和安装。还要注意安装依赖项，比如protobuf。可能还需要配置环境变量或者将编译后的库文件复制到合适的位置。最后，测试安装是否成功，比如运行示例程序。需要把这些步骤整理清楚，用中文分点说明，确保用户能一步步操作。同时要提醒用户安装依赖，避免常见错误，比如使用错误的OpenCV安装方式。</think>### 如何在树莓派4B上安装ncnn框架 #### 步骤1：安装64位系统及依赖库 确保树莓派4B已刷入**64位操作系统**（如Raspberry Pi OS 64-bit）。安装编译所需的依赖库： ```bash sudo apt update sudo apt install build-essential cmake git libprotobuf-dev protobuf-compiler ``` 注意：若之前通过`apt`或`pip`安装过OpenCV，建议先卸载以避免版本冲突[^3]。 --- #### 步骤2：安装64位OpenCV **必须从源码编译64位OpenCV**以确保性能。参考以下流程： ```bash # 参考博客《00-在64位树莓派上安装OpenCV》[^2] git clone https://github.com/opencv/opencv.git cd opencv mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local .. make -j4 # 根据CPU核心数调整线程数 sudo make install ``` 编译时间约1小时以上，完成后验证： ```bash python3 -c "import cv2; print(cv2.__version__)" ``` --- #### 步骤3：编译安装ncnn框架 1. **克隆ncnn仓库**： ```bash git clone https://github.com/Tencent/ncnn.git cd ncnn git submodule update --init ``` 2. **编译配置**： ```bash mkdir build && cd build cmake -D NCNN_VULKAN=OFF -D CMAKE_BUILD_TYPE=RELEASE .. ``` 若需启用GPU加速（需Vulkan支持），添加`-D NCNN_VULKAN=ON`，但树莓派4B默认未集成Vulkan驱动。 3. **编译与安装**： ```bash make -j4 # 多线程加速编译 sudo make install ``` 编译完成后，库文件默认安装在`/usr/local/lib`，头文件在`/usr/local/include/ncnn`[^5]。 --- #### 步骤4：验证安装 运行示例程序测试： ```bash cd <ncnn-root-dir>/build/example ./mobilenetV2-yolov3 # 具体示例名称根据版本可能不同 ``` 若输出模型推理结果，则安装成功[^4]。 --- #### 常见问题 - **OpenCV版本冲突**：确保未使用`apt`或`pip`安装的OpenCV，仅保留源码编译版本[^3]。 - **内存不足**：编译时建议关闭其他程序，或使用交换分区（swap）。 - **依赖缺失**：若报错提示缺少库，通过`apt install`补充对应依赖。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Arnold-FY-Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值