MNN深度框架学习教程（一）编译MNN，并跑通MNN的demo

最新推荐文章于 2025-05-21 12:05:52 发布

donkey_1993

最新推荐文章于 2025-05-21 12:05:52 发布

阅读量1.6w

点赞数 7

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：深度学习 MNN 计算机视觉人工智能

本文链接：https://blog.csdn.net/donkey_1993/article/details/106378976

深度学习专栏收录该内容

64 篇文章

订阅专栏

本文详细介绍了MNN框架的编译流程，包括推理、训练和转换三个关键部分，并提供了在Ubuntu18.04环境下编译MNN的具体步骤。此外，还演示了如何通过MNN进行模型训练和姿态检测demo的运行。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实验环境：

系统：Ubuntu18.04

硬件设备：PC设备和树莓派4B

编译教程：

MNN框架主要分为三部分：推理，训练和转换。推理：在端侧加载MNN模型进行推理的阶段。训练：训练框架上，根据训练数据训练出模型的阶段。转换：将其他训练框架模型转换为MNN模型的阶段。

因此我们的编译也需要分三部分来进行编译。

首先下载MNN：(我这个是使用码云进行了加速)

git clone https://gitee.com/zhanzzw/MNN.git

环境要求：

cmake（建议使用3.10或以上版本）、
protobuf（使用3.0或以上版本）
gcc（使用4.9或以上版本）

编译推理部分：

cd /path/to/MNN
./schema/generate.sh
mkdir build && cd build && cmake .. && make -j8

编译训练部分：

cd MNN/build
cmake .. -DMNN_BUILD_TRAIN=ON
make -j8

编译完成之后运行：

./runTrainDemo.out

如果显示出下面结果说明训练部分编译成功：

Usage: ./runTrainDemo.out CASENAME [ARGS]
Valid Case:
DataLoaderDemo
DataLoaderTest
DistillTrainQuant
ImageDatasetDemo
LinearRegress
MatMulGradTest
MnistInt8Train
MnistTrain
MnistTrainSnapshot
MobilenetV2PostTrain
MobilenetV2Train
MobilenetV2TrainQuant
MobilenetV2Transfer
NNGrad
NNGradV2
NNGradV3
OctaveMnist
PostTrain
PostTrainMobilenet
QuanByMSE
QuanMnist
TestMSE

转换部分编译：

cd MNN/
./schema/generate.sh
cd build
cmake .. -DMNN_BUILD_CONVERTER=true && make -j4

到此为止MNN的训练，推理和转换三部分已经编译成功了。

运行MNN的demo：

姿态检测demo：

代码：demo/exec/multiPose.cpp

准备工作：

cd MNN/build
cmake -DMNN_BUILD_DEMO=ON ..
make -j8

下载原始的Tensorflow模型。链接: https://pan.baidu.com/s/1QbEgh1kUjl2Kpi2ouwWfUA 提取码: rusy

使用模型转换工具将pb模型转换为 MNN 模型。

cd MNN/build
./MNNConvert -f TF --modelFile model-mobilenet_v1_075.pb --MNNModel donkey.mnn --bizCode biz

将转换之后的donkey.mnn模型复制到MNN/demo/exec文件夹下，执行行姿态检测。
```
cd MNN/demo/exec
./multiPose.out donkey.mnn input.jpg pose.png
```
其他demo也是类似这样执行。