1.ncnn的源码使用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、源码ONNX等模型转换为ncnn格式。源码在编译后的源码matlab字符分割源码ncnn build/tools目录下，我们找到了onnx2ncnn工具。源码本文将展示如何使用它将PyTorch导出的源码ResNet的ONNX模型转换为ncnn适用的模型。

       项目的源码结构如下：src存放源代码，python包含脚本，源码model_param存放模型文件，源码image存放推理，源码bin存放可执行文件。源码源码1003源码在bin目录下，源码我们拷贝了来自ncnn/build/tools/onnx的源码onnx2ncnn工具。

       在python脚本export_res.py中，源码通过给定示例输入，源码我们导出resnet的考试源码 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的源码源码商城数量，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，源码源码分析而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。