MNN Ubuntu16部署流程

原创 已于 2022-03-30 21:49:58 修改 · 415 阅读 · 0 ·
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：

#liunx

于 2022-03-30 20:14:44 首次发布
本文档详细介绍了如何安装并配置MNN和gRPC。首先需要安装protobuf，然后下载MNN并确保版本不低于1.2.1，完成编译后生成libMNN.so动态链接库。接着按照步骤安装gRPC，包括升级git、安装protobuf和遵循官方文档完成gRPC的安装。

1、先安装protobuf
2、下载MNN，注意，一定要下载1.2.1及以上的，要不编译会出问题
编译参考 MNN编译方法
生成处libMNN.so动态链接库，可以放在/usr/local/lib下，方便以后使用

3、安装grpc
第一步： 升级git
第二步 ：protobuf 安装

下载protobuf
1.enter the "protobuf/cmake/" dir.
2.mkdir build. protobuf/cmake/build
3.cmake ..
4.make && make install

参考 grpc的官方安装文档
第三步：GRPC的安装文档

37、记录使用 Swin Transformer主干网络去实现分类，并转化NCNN、TNN、MNN模型以及部署
sxj731533730
01-20 9136
基本思想:最近手中有个swim transformer模型，想移植手机端进行推理一下，随手记录一下遇到的问题 一、首先我fork了大佬的代码，查阅主代码结构是华为分类垃圾的源码,然后作者参考了swin_transformer的架构做了修改，修改参考来自Swin-Transformer/swin_transformer.py at 5d2aede42b4b12cb0e7a2448b58820aeda604426 · microsoft/Swin-Transformer · GitHub （1）首先将模..
73、C++/Python PaddleOCR-v5 部署mnn框架、ncnn框架、昇腾800 9000服务器 、Atalas 300I DUO卡 、Atalas 200DK
sxj731533730
07-15 516
摘要：本文介绍了PaddleOCR-v5模型在MNN、NCNN、RK3588和昇腾310P3平台上的部署方法。首先通过Python脚本完成模型转换，为后续在不同硬件平台上的部署奠定基础。该流程展现了跨平台部署的可行性，为OCR技术在不同设备上的应用提供了参考方案。
从端到端打通模型端侧部署流程（MNN）
KingsMan666的博客
04-03 2639
官方文档有疑问一定要先查这里！MNN是一个轻量级的深度神经网络推理引擎，在端侧加载深度神经网络模型进行推理预测。目前，MNN已经在阿里巴巴的手机淘宝、手机天猫、优酷等20多个App中使用，覆盖直播、短视频、搜索推荐、商品图像搜索、互动营销、权益发放、安全风控等场景。此外，IoT等场景下也有若干应用。相对来讲，目前我们过了两个端侧部署框架NCNN和MNN，开源较早，社区成熟，案例较多，问题容易解决。易用性较强，相对于MNN会更容易上手，很多操作都直接封装到NCNN内部，方便操作。
ubuntu搭建MNN环境
weilaicxy22的博客
07-14 1481
Ubuntu搭建MNN环境 一、安装g++、cmake、protobuf   sudo apt-get install 即可，建议protobuf的版本>3.0， g++版本>4.9 $ sudo apt-get install autoconf automake libtool curl make g++ unzip $ git clone https://github.com/google/protobuf.git $ cd protobuf $ git submodule update -
最完整PyMNN零基础教程：3步实现深度学习推理
gitblog_00389的博客
09-27 918
# 最完整PyMNN零基础教程：3步实现深度学习推理 你还在为深度学习模型部署到生产环境发愁？尝试了多种框架却卡在Python接口调用？本文将带你3步零基础上手MNN Python接口（PyMNN），5分钟内完成图像分类模型推理，让移动端和边缘设备的AI部署不再复杂。读完本文你将掌握：PyMNN环境搭建、模型推理全流程、实战案例调试技巧，以及性能优化的关键方法。 ## 1. 环境准备：3分钟安...
MNN部署、集成
weixin_67051070的博客
08-15 1407
交叉编译是指在一种平台（称为主机平台，通常是开发者的机器，比如 x86_64 的 Linux 或 Windows）上编译生成可以在另一种不同的平台（称为目标平台，如 ARM 架构的 Android 设备或嵌入式系统）上运行的可执行文件或库的过程。换句话说，你在一台开发机器上编写和编译代码，生成的二进制文件是为了在另一台不同架构的设备上运行的。交叉编译是生成可以在不同架构或操作系统上运行的二进制文件的过程。你在目录下看到的和mnn-linux目录，正是通过不同配置进行交叉编译（或本地编译）的结果。
ubuntu MNN编译安装
jacke121的专栏
05-21 4791
【MNN学习一】基于Linux的MNN编译安装，模型转换以及benchmark测试 @Vivia 2019-09-28 14:36:40 2277 收藏 6 展开 目录 一. MNN编译安装 (MNN编译) 二. 编译模型转换工具MNNConvert (MNNConvert) 三. 下载模型并使用MNNConvert (模型下载&转换) 四. 测试benchmark 一. MNN编译安装 (MNN编译) 1. 编译选项 cmake_minimum_required(VERSIO...
yolov8-mnn C++部署
zaibeijixing的专栏
07-06 3345
yolov8模型转mnn，并 C++部署
车道线检测（二）——使用MNN部署PINet
On my way
09-06 1375
使用MNN部署PINet网络实现车道线检测
MNN linux部署和样机部署有什么区别？
最新发布
10-21
- **Linux部署**：可直接使用动态链接库，简化部署流程（引用[1]）。 - **样机部署**：推荐静态编译以减少依赖，尤其当目标设备缺乏基础运行库时（引用[1]）。 3. **性能优化重点**： - **Linux部署**：可启用...
手写数字识别从训练到部署全流程详解——模型在Android端的部署
best2012power的博客
04-14 2412
目前深度学习模型在移动端的使用已越来越广泛，而移动端设备的性能表现自然无法与PC端相提并论，目前市面上基本所有的训练框架训练出来的模型都无法直接在移动端上使用和推理，尽管部分框架同时做了移动端部署功能（如Tensorflow-lite、pytorch-mobile等），但是在性能表现上对比专业的部署框架（如ncnn、mnn等）没有任何优势，基于之前对部署框架的使用经验，下面我就以手写数字识别（mnist）模型和部署框架（ncnn）为例，对框架的使用与部署的全流程做一个详细的记录说明。
MNN框架学习（二）：使用MNN部署模型
热门推荐
sinat_31425585的博客
10-01 2万+
这里代码其实大部分来自于xiongdongzhang的github项目：https://github.com/xindongzhang/MNN-APPLICATIONS，个人觉得学习一个新东西，最开始的步骤应该是用起来，至于怎么用起来，可以先参考一下别人怎么用的，将代码拆分、重组和封装，通过这一系列的过程，我们就可以基本掌握这个新东西的使用方法，会用之后，才考虑原理的学习。 这里...
mnn | mnn安装教程
m0_57195758的博客
03-13 1930
mnn | mnn安装教程
MNN介绍、安装和编译
爱吃雪糕的小布丁的博客
05-11 853
MNN（Mobile Neural Network）是一个轻量级的深度学习框架，由阿里巴巴开源。它专为移动端和嵌入式设备设计，支持多种硬件平台，包括ARM、OpenCL、Metal、OpenGL、Vulkan等。MNN的目标是提供高性能和低功耗的神经网络推理能力，适用于手机、IoT设备以及其他边缘计算设备。通过上述步骤，你可以在各种平台上编译和使用MNN，这为在边缘设备上运行复杂的深度学习模型提供了可能。MNN的轻量级和高效性能使其成为移动和嵌入式深度学习应用的理想选择。
前端部署MNN+树莓派从0到1_环境配置
sinat_29634715的博客
11-22 787
接触深度学习也有段时间了，实际项目落地部署尤为重要，尤其前端部署，再牛逼的模型部署不支持也是白瞎。所以想着折腾下前端部署，github开源项目+前端部署岂不美哉。高通、海思、安霸针对自己的硬件都有自己一套深度学习加速，但底层源码都是不开源，只是提供上层的api接口；目光转移到了腾讯的ncnn和阿里的mnn，考虑到mnn的文档比较详细，便选择了mnn，正好手头有树莓派这个前端设备，便有了前端部署MNN+树莓派这个系列。 一.树莓派安装OpenCV https://www.pyimagesearch..
使用MNN在Android上部署mnist模型
qq_37546267的博客
08-19 6450
本文使用JNI技术在Android平台部署深度学习模型，并使用MNN框架进行模型推理。 模型及C++程序准备 mnist-mnn Android环境配置 打开Android studio， 创建一个Native C++工程，并配置OpenCV。 在Android中使用OpenCV 在PC上编译MNN-Android的动态链接库 MNN安装和编译 CMakeLists.txt编写 在jni中编译C/C++程序有两种方法：一是使用ndk-build(需要配置.mk文件)，二是使用CMake，本文使用
MobilenetV2 在ARM CPU上的MNN部署
zjjtilm的博客
12-30 1410
MobilenetV2 在ARM CPU上的MNN部署
深度学习模型部署框架之mnn
心流的博客
12-08 1264
本文是深度学习模型部署框架的第三篇，更多部署框架可以查看本专栏的其他文章。概念：mnn是一个轻量级的深度神经网络引擎，支持深度学习的推理与训练。适用于服务器、个人电脑、手机、嵌入式各类设备。优势：轻量性，无任何依赖；兼容性好，支持常见的框架；工具齐全，与开发者交流方便。坑点：实践的不多，目前没发现什么坑点。本文介绍了mnn的在应用方面的一些经验总结，更多内容参阅文档。
在Android Studio上使用MNN部署模型
CHEN的博客
03-30 1万+
1.前期环境准备 1. 1 MNN环境编译 具体看我前面写的文章：文章地址 1.2 opencv for android的安装 进入opencv官网，下载安装包：下载地址 下载完成后解压即可 2.Android工程环境配置 2.1 创建Android工程 打开Android Studio新建一个Native C++工程 2.2 MNN环境配置 将之前MNN编译Android的生成的build_64文件夹下的libMNN.so文件复制到Android工程下的app/libs/arm64-v8a文件夹下(
基于MNN框架安卓部署yolov
03-28
同时，引用[1]和[2]中的NCNN部署流程可能在某些步骤上与MNN类似，比如模型准备和安卓环境配置，可以作为参考。 接下来，我需要详细拆分每个步骤。首先，模型转换部分：YOLOv通常是用PyTorch或Darknet实现的，所以...
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
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