在计算机视觉和深度学习领域，NCNN（Netural Network Computer Vision）是一个轻量级的神经网络计算框架，被广泛应用于各类嵌入式设备和移动平台。今天，让我们一同跟随共创社团队的步伐，揭秘他们如何进行NCNN的交叉编译，并在ELF 1开发板上演绎实践，以此验证模型推理性能。

1.从GitHub下载NCNN源码：https://github.com/Tencent/ncnn


2.将ncnn-master.zip拷贝到开发环境的/home/elf/work目录下并解压：
elf@ubuntu:~/work$ unzip ncnn-master.zip

3.配置cmake：
elf@ubuntu:~/work$ cd ncnn-master/toolchains/
elf@ubuntu:~/work/ncnn-master/toolchains$ vi arm-poky-linux-gnueabi.cmake
将下面的内容添加到arm-poky-linux-gnueabi.cmake文件中：
set(CMAKE_SYSTEM_NAME Linux)
set(CMAKE_SYSTEM_PROCESSOR arm)
set(CMAKE_C_COMPILER "arm-poky-linux-gnueabi-gcc")
set(CMAKE_CXX_COMPILER "arm-poky-linux-gnueabi-g++")
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

set(CMAKE_C_FLAGS "-march=armv7-a -mfloat-abi=hard  --sysroot=/opt/fsl-imx-x11/4.1.15-2.0.0/sysroots/cortexa7hf-neon-poky-linux-gnueabi")

set(CMAKE_CXX_FLAGS "-march=armv7-a -mfloat-abi=hard --sysroot=/opt/fsl-imx-x11/4.1.15-2.0.0/sysroots/cortexa7hf-neon-poky-linux-gnueabi")

# cache flags
set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS}" CACHE STRING "c flags")
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS}" CACHE STRING "c++ flags")


4.编译：
elf@ubuntu:~/work/ncnn-master$ mkdir build
elf@ubuntu:~/work/ncnn-master$ cd build/
elf@ubuntu:~/work/ncnn-master/build$ . /opt/fsl-imx-x11/4.1.15-2.0.0/environment-setup-cortexa7hf-neon-poky-linux-gnueabi
elf@ubuntu:~/work/ncnn-master/build$ cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/arm-poky-linux-gnueabi.cmake -DNCNN_SIMPLEOCV=ON -DNCNN_BUILD_EXAMPLES=ON -DCMAKE_BUILD_TYPE=Release ..
elf@ubuntu:~/work/ncnn-master/build$ make

5.将编译完成得到的benchmark文件夹（build目录下）和项目文件夹下的benchmark文件夹打包并放到U盘里：
elf@ubuntu:~/work/ncnn-master/build$ tar cvjf benchmark.tar.bz2 benchmark/ ../benchmark/

6.将U盘插入到开发板上，拷贝压缩包到/home/root路径下并解压：
root@ELF1:~# cp /run/media/sda1/benchmark.tar.bz2 .
root@ELF1:~# tar xvf benchmark.tar.bz2

7.测试：
root@ELF1:~# cd benchmark/
root@ELF1:~/benchmark# ./benchncnn

观察结果显示，绝大部分模型均已成功运行，其中所展示的数字指标代表了各自的执行耗时。需注意，数值越小，意味着推理过程的完成速度越快。

通过这次实践，共创社不仅展示了NCNN在嵌入式设备上的灵活性与强大性能，还向我们揭示了深度学习嵌入式技术落地的无限可能，更激励着每一位嵌入式探索者：无论面对何种挑战，只要勇于探索、精于实践，便能在嵌入式技术的海洋中乘风破浪，开辟出一片属于自己的天地。

在计算机视觉和深度学习领域，NCNN（Netural Network Computer Vision）是一个轻量级的神经网络计算框架，被广泛应用于各类嵌入式设备和移动平台。今天，让我们一同跟随共创社团队的步伐，揭秘他们如何进行NCNN的交叉编译，并在ELF 1开发板上演绎实践，以此验证模型推理性能。

1.从GitHub下载NCNN源码：https://github.com/Tencent/ncnn


2.将ncnn-master.zip拷贝到开发环境的/home/elf/work目录下并解压：
elf@ubuntu:~/work$ unzip ncnn-master.zip

3.配置cmake：
elf@ubuntu:~/work$ cd ncnn-master/toolchains/
elf@ubuntu:~/work/ncnn-master/toolchains$ vi arm-poky-linux-gnueabi.cmake
将下面的内容添加到arm-poky-linux-gnueabi.cmake文件中：
set(CMAKE_SYSTEM_NAME Linux)
set(CMAKE_SYSTEM_PROCESSOR arm)
set(CMAKE_C_COMPILER "arm-poky-linux-gnueabi-gcc")
set(CMAKE_CXX_COMPILER "arm-poky-linux-gnueabi-g++")
set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER)
set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY)
set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY)

set(CMAKE_C_FLAGS "-march=armv7-a -mfloat-abi=hard  --sysroot=/opt/fsl-imx-x11/4.1.15-2.0.0/sysroots/cortexa7hf-neon-poky-linux-gnueabi")

set(CMAKE_CXX_FLAGS "-march=armv7-a -mfloat-abi=hard --sysroot=/opt/fsl-imx-x11/4.1.15-2.0.0/sysroots/cortexa7hf-neon-poky-linux-gnueabi")

# cache flags
set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS}" CACHE STRING "c flags")
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS}" CACHE STRING "c++ flags")


4.编译：
elf@ubuntu:~/work/ncnn-master$ mkdir build
elf@ubuntu:~/work/ncnn-master$ cd build/
elf@ubuntu:~/work/ncnn-master/build$ . /opt/fsl-imx-x11/4.1.15-2.0.0/environment-setup-cortexa7hf-neon-poky-linux-gnueabi
elf@ubuntu:~/work/ncnn-master/build$ cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/arm-poky-linux-gnueabi.cmake -DNCNN_SIMPLEOCV=ON -DNCNN_BUILD_EXAMPLES=ON -DCMAKE_BUILD_TYPE=Release ..
elf@ubuntu:~/work/ncnn-master/build$ make

5.将编译完成得到的benchmark文件夹（build目录下）和项目文件夹下的benchmark文件夹打包并放到U盘里：
elf@ubuntu:~/work/ncnn-master/build$ tar cvjf benchmark.tar.bz2 benchmark/ ../benchmark/

6.将U盘插入到开发板上，拷贝压缩包到/home/root路径下并解压：
root@ELF1:~# cp /run/media/sda1/benchmark.tar.bz2 .
root@ELF1:~# tar xvf benchmark.tar.bz2

7.测试：
root@ELF1:~# cd benchmark/
root@ELF1:~/benchmark# ./benchncnn

观察结果显示，绝大部分模型均已成功运行，其中所展示的数字指标代表了各自的执行耗时。需注意，数值越小，意味着推理过程的完成速度越快。

通过这次实践，共创社不仅展示了NCNN在嵌入式设备上的灵活性与强大性能，还向我们揭示了深度学习嵌入式技术落地的无限可能，更激励着每一位嵌入式探索者：无论面对何种挑战，只要勇于探索、精于实践，便能在嵌入式技术的海洋中乘风破浪，开辟出一片属于自己的天地。