ncnn模型在Windows VS2019环境下的部署

一、安装VS2019

1.下载vs2019，地址：https://visualstudio.microsoft.com/zh-hans/vs/

2.下载后安装工作负载（安装以下三个即可）

3.如果发现忘记下载某一个工作负载，可以再安装完成之后在重新安装（VS导航栏的工具->获取工具和功能）

二、下载并安装cmake-3.16.5

1.下载地址：https://pan.baidu.com/s/19q6OcG-7KfNScNr4-dKj-A  提取码：nxv1

2.下载后解压

3.添加环境变量，将解压后cmake-3.16.5-win64-x64文件夹点开进入bin将该路径添加至环境变量，我这里路径为 D:\build_tools\cmake-3.16.5-win64-x64\bin，下图所示：

三、下载并安装protobuf-3.4.0

1.下载地址：https://pan.baidu.com/s/1fRV1OpJsUXscUNlC4uvUMA  提取码：bt4q

2.下载后进行解压

3.安装protobuf-3.4.0，先打开VS2019的X64命令行

4.在VS2019的X64命令行下执行以下命令

注： 为你刚刚解压的protobuf-3.4.0文件夹的根目录，如果cd无法切换进入到D盘，需要在cd命令与D:\命令之间加入一个 "/d" 就解决了，如："cd /d D:\build_tools\protobuf-3.4.0"

cd 
mkdir build-vs2019
cd build-vs2019
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake
nmake
nmake install

5.成功后会产生build-vs2019文件夹以及该文件夹下的若干文件夹及文件

四、下载并编译ncnn

1.ncnn下载地址：https://github.com/Tencent/ncnn/releases，这里我使用的release版本，直接下载源码就可以了，新的release版本要下载full-source字样的代码包

2.下载好之后解压

3.打开VS2019的X64命令，进入到ncnn根目录下，然后执行以下语句

注意：cmake -G...这条命令有三个需要换成之前安装protobuf-3.4.0的根目录

cd 
mkdir -p build-vs2019
cd build-vs2019
cmake -G"NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=/build-vs2019/install/include -DProtobuf_LIBRARIES=/build-vs2019/install/lib/libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=/build-vs2019/install/bin/protoc.exe -DNCNN_VULKAN=OFF ..
nmake
nmake install

4.编译成功后会产生build-vs2019文件夹以及该文件夹下的若干文件夹及文件

五、下载并安装opencv-mobile

1.下载地址：https://github.com/nihui/opencv-mobile/releases，这里使用opencv-mobile是opencv的mini简化版本，属于比原版的opencv库更小。这里我直接下载编译好的 opencv-mobile-4.6.0-windows-vs2019.zip

2.下载后解压，就可以调用相关的接口了（下面配置项目属性的时候要配置这个路径）。

六、ncnn项目配置

1.打开VS2019并新建一个空项目，新建一个yolo-fastest.cpp文件，解决方案改为Release和x64，文件内容如下（来自这里）：

#include "cpu.h"
#include "net.h"
#include "gpu.h"
#include "benchmark.h"
#include "datareader.h"

#include
#include
#include
#include
#include
#include

int demo(cv::Mat& image, ncnn::Net& detector, int detector_size_with, int detector_size_height) {
	// 检测类别
	static const char* class_names[] = {
		"background","aeroplane","bicycle","bird","boat",
		"bottle","bus","car","cat","chair","cow","diningtable",
		"dog","horse","motorbike","person","pottedplant","sheep",
		"sofa","train","tvmonitor"
	};

	cv::Mat bgr = image.clone();
	int image_width = bgr.cols;
	int image_height = bgr.rows;

	ncnn::Mat input = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR2RGB,
												    bgr.cols, bgr.rows, detector_size_with, detector_size_height);
	// 数据预处理
	const float mean_vals[3] = { 0.f, 0.f, 0.f };
	const float norm_vals[3] = { 1 / 255.f,1 / 255.f,1 / 255.f };
	input.substract_mean_normalize(mean_vals, norm_vals);

	ncnn::Extractor ex = detector.create_extractor();
	ex.set_num_threads(8);
	ex.input("data", input);
	ncnn::Mat out;
	ex.extract("output", out);

	for (int i = 0; i < out.h; ++i) {
		int label;
		float x1, y1, x2, y2, score;
		const float* values = out.row(i);

		label = values[0];
		score = values[1];
		x1 = values[2] * image_width;
		y1 = values[3] * image_height;
		x2 = values[4] * image_width;
		y2 = values[5] * image_height;
		// 处理越界坐标
		if (x1 < 0)x1 = 0;
		if (y1 < 0)y1 = 0;
		if (x2 < 0)x2 = 0;
		if (y2 < 0)y2 = 0;
		if (x1 > image_width)x1 = image_width;
		if (y1 > image_height)y1 = image_height;
		if (x2 > image_width)x2 = image_width;
		if (y2 > image_height)y2 = image_height;

		cv::rectangle(image, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 255, 0), 1, 1, 0);

		char text[256];
		sprintf_s(text, "%s %.1f%%", class_names[label], score * 100);
		int baseLine = 0;
		cv::Size label_size = cv::getTextSize(text, cv::FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
		cv::putText(image, text, cv::Point(x1, y1 + label_size.height),
			        cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
	}
	return 0;
}

int test() {
	// 定义yolo-fatest检测器
	ncnn::Net detector;
	detector.load_param("models/yolo-fastest/yolo-fastest.param");
	detector.load_model("models/yolo-fastest/yolo-fastest.bin");
	// 定义输入图像尺寸
	int detector_size_width = 300;
	int detector_size_height = 300;
	// 测试图像
	cv::Mat image = cv::imread("images/demo_1.jpg");
	// 调用函数开始检测
	demo(image, detector, detector_size_width, detector_size_height);
	// 显示检测结果
	cv::imshow("demo", image);
	cv::waitKey(0);
	return 0;
}

int main() {
	test();
	return 0;
}

2.项目属性配置

（1）项目的属性->配置属性->VC++目录->包含目录，输入下面的路径：

D:\build_tools\ncnn-20230223\build-vs2019\install\include\ncnn
D:\build_tools\opencv-mobile-4.6.0-windows-vs2019\x64\include

（2）项目的属性->链接器->常规->附加库目录，输入下面的路径：

D:\build_tools\ncnn-20230223\build-vs2019\install\lib
D:\build_tools\opencv-mobile-4.6.0-windows-vs2019\x64\x64\vc16\staticlib

（3）项目的属性->链接器->输入->附加依赖项，输入下面的内容：

ncnn.lib
opencv_core460.lib
opencv_highgui460.lib
opencv_imgproc460.lib

3.项目运行，在V S 2019窗口的解决方案中选择Release和x64，然后直接调试执行就可以看到模型的推理结果了。

---

参考：

Windows下NCNN环境配置（VS2019）_ncnn windows-CSDN博客

【ncnn开发记录】ncnn & opencv-mobile & VS2019的Windows编译 - 知乎

（一）ncnn | Windows10 + VS2019环境配置_windows下ncnn环境配置和模型推理-CSDN博客