# MobileNetv2_CPP

**Repository Path**: fyra_bh/MobileNetv2_CPP

## Basic Information

- **Project Name**: MobileNetv2_CPP
- **Description**: 2022年嵌入式SOC大赛 32x32脉动阵列16bit量化驱动 模型选用MobileNetv2
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2022-11-02
- **Last Updated**: 2024-11-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MobileNetv2_CPP

使用C/C++实现MobileNetv2

> 添加自Wed Aug  7 21:32:53     2024

简单补一下使用说明。这个项目最后实际上只用了C语言和python。利用pytorch框架训练一个MobileNetV2模型，再用C语言逐层实现同样的功能。至于模型权重，全都以头文件的形式导出，编译进c代码，最终实现了一个cifar10分类的效果。项目中有MobileNetV2和MobileNetV2_simp以及MobileNetV2_mini三个模型，MobileNetV2_simp和MobileNetV2_mini大幅削减了模型的层数和通道数，可以自己在代码中修改决定使用哪一个模型。使用简化的模型是为了便于最后在FPAG上部署(关于在FPGA上的部署内容不在本仓库的范围内)

使用方法：

1. 先配置好包含torch和torchvision的python环境
2. 进入py目录下，执行python main.py可以训练模型。一定注意别忘了删掉mobilenetv2_on_cifar10_simp.pth，删掉了旧的模型文件才能正常训练新模型。
3. 测试模型，执行python test.py image_path。可以打印图片对应哪一类物品
4. 导出头文件，执行python export.py可以得到包含权重数据的头文件, 这一步不执行也可以，下面的第5步会自从执行导出。
5. 最后进入test目录下进行测试

在第5步中主要关注test目录下的mobilenetv2_foward_quant和cifar10_test_quant。

mobilenetv2_foward_quant测试：

```bash
cd test/mobilenetv2_foward_quant
make
```

该测试分别执行模型的python推理和c推理，输入是一个随机张量，该测试用于评估模型推理过程中的精度损失

cifar10_test_quant测试：

```bash
cd test/cifar10_test_quant
make IMG=../../py/img/automobile0.jpg
```

IMG=../../py/img/automobile0.jpg也可以换成别的图像路径。最后会输出分类结果