mnn

king of code porter

深度学习之用CelebA_Spoof数据集搭建一个活体检测-用MNN来推理时候如何利用Conan对软件包进行管理前面的文章：深度学习之用CelebA_Spoof数据集搭建一个活体检测-训练好的模型用MNN来推理有提到怎么使用MNN对训练好的模型进行推理，里面并没有提到我是怎么编译和进行代码依赖包的管理的详细步骤，在这里我是用的是Conan:一个C/C++包管理器，可以管理项目依赖并自动下载编译所需的库文件。比较令人兴奋的是，Conan专为C/C++设计的去中心化包管理器，支持多平台（Windows/Linux/macOS），还能支持交叉编译，可管理二进制依赖和构建配置，还有是免费开源的。也就是用它来进行依赖包和软件

轻量级高性能推理引擎MNN 学习笔记 03.在iOS运行MNN的示例详细请参考iOS示例，完整代码请在github下载首先编译(如果已编译可以跳过)MNNConvert，操作如下：

king of code porter

深度学习之用CelebA_Spoof数据集搭建一个活体检测-训练好的模型用MNN来推理首先确保已完成PyTorch到ONNX的转换：深度学习之用CelebA_Spoof数据集搭建活体检测系统：模型验证与测试。这里有将PyTorch到ONNX格式的模型转换。

轻量级高性能推理引擎MNN 学习笔记 02.MNN主要API注意：本学习笔记只介绍了我在学习过程中常用的API ，更多MNN API 请参考官方文档。使用MNN推理时，有两个层级的抽象，分别是解释器Interpreter和会话Session。Interpreter是模型数据的持有者；Session通过Interpreter创建，是推理数据的持有者。多个推理可以共用同一个模型，即多个Session可以共用一个Interpreter。

计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践设想一下，你在多地拥有多个仓库，要同时监控每个仓库的实时状况，这对于时间和精力而言，都构成了一项艰巨挑战。从成本和可靠性的层面考量，大规模部署计算设备也并非可行之策。一方面，大量计算设备的购置、维护成本会让你的预算不堪重负；另一方面，设备数量增多，出现故障的概率也会相应提升，这无疑会给仓库的稳定监控带来极大的不确定性。

Linux下编译并打包MNN项目迁移至其他设备该项目是利用MNN框架对MTCNN网络进行推理，实现对目标的实时检测运行环境：Linux相关库：opencv，MNN

我的青春不太冷

2025年最新在线模型转换工具优化模型ncnn，mnn，tengine，onnx一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine此网站不会将模型文件上传至服务器保障了安全，隐私性。

OPI4A，目标检测，口罩检测，mnn，YoloX记得之前，使用了bubbling导师复现的python版yolox，训练了自建的口罩数据集，得到了h5文件，又转换成pb文件，再使用阿里巴巴的MNN，使用它的MNNConvert，转换成mnn文件

MNN编译模型转换工具要在不同平台上编译和安装 MNN，首先需要满足以下环境要求：可以从以下链接下载 CMake 和 Ninja：

MNN 执行推理（九）MNN createFromBuffer（一） MNN createRuntime（二） MNN createSession 之 Schedule（三） MNN createSession 之创建流水线后端（四） MNN Session 之维度计算（五） MNN Session 之几何计算（六） MNN Session 之 CPU 算子（七） MNN Session 之 Vulkan 算子（八） MNN 执行推理（九）

MNN createSession 之创建流水线后端（四）MNN createFromBuffer（一） MNN createRuntime（二） MNN createSession 之 Schedule（三） MNN createSession 之创建流水线后端（四） MNN Session 之维度计算（五） MNN Session 之几何计算（六） MNN Session 之 CPU 算子（七） MNN Session 之 Vulkan 算子（八）

MNN createFromBuffer（一）MNN createFromBuffer（一） MNN createRuntime（二） MNN createSession 之 Schedule（三） MNN createSession 之创建流水线后端（四） MNN Session::resize 之流水线编码（五） MNN Session 创建执行器（六）

阿里巴巴淘系技术团队官网博客

mnn-llm: 大语言模型端侧CPU推理优化在大语言模型(LLM)端侧部署上，基于 MNN 实现的 mnn-llm 项目已经展现出业界领先的性能，特别是在 ARM 架构的 CPU 上。目前利用 mnn-llm 的推理能力，qwen-1.8b在mnn-llm的驱动下能够在移动端达到端侧实时会话的能力，能够在较低内存（<2G）的情况下，做到快速响应。

深度学习——第6章浅层神经网络（NN）6.1 神经网络模型概述6.2 神经网络正向传播6.3 神经网络反向传播6.4 W和b的初始化6.5 总结