做网站的专业网站建设行业swot分析

GitHub：https://github.com/nndeploy/nndeploy

更多AI开源软件：发现分享好用的AI工具、AI开源软件、AI模型、AI变现 - 小众AI

nndeploy是一个简单易用、高性能、支持多端的AI推理部署框架。

主要解决以下模型部署中的痛点：

1. 推理框架的碎片化：现在业界尚不存在各方面都远超其同类产品的推理框架，不同推理框架在不同平台、硬件下分别具有各自的优势。例如，在NVidia显卡上TensorRT性能最佳，在x86 CPU上OpenVINO最优，在苹果生态下CoreML最佳，在ARM Android有ncnn、MNN等多种选择。
2. 多个推理框架的学习成本、开发成本、维护成本：不同的推理框架有不一样的推理接口、超参数配置、Tensor等等，假如一个模型需要多端部署，针对不同推理框架都需要写一套代码，这对模型部署工程师而言，将带来较大学习成本、开发成本、维护成本。
3. 模型的多样性：从模型部署的角度出发，可以分为单输入、多输入、单输出、多输出、静态形状输入、动态形状输入、静态形状输出、动态形状输出一系列不同。当这些差异点与内存零拷贝优化结合时，通常只有具备丰富模型部署经验的工程师才能快速找到最优解。
4. 模型高性能的前后处理：模型部署不仅仅只有模型推理，还有前处理、后处理，推理框架往往只提供模型推理的功能。通常需要部署工程师基于对原始算法的理解，通过C++开发该算法前后处理，这需要大量重复工作。
5. 多模型的复杂场景：目前很多场景需要由多个模型组合解决业务问题，没有部署框架的支持，会有大量业务代码、模型耦合度高、灵活性差、代码不适合并行等问题。

​

​

主要功能

1. 简单易用

• 基于有向无环图部署模型： 将AI算法部署抽象为有向无环图，前处理、推理、后处理各为一个节点
• 推理模板Infer： 模板可处理各种模型差异，包括单/多输入输出和静态/动态形状等等
• 高效解决多模型组合场景：支持图中嵌入图​功能，将复杂任务拆分为多个独立子图，通过组合方式快速解决多模型场景问题
• 快速构建demo：支持多种输入输出格式（图片、文件夹、视频等），通过编解码节点化实现高效通用的demo构建

2. 高性能

• 多种并行模式：支持串行（按拓扑排序依次执行节点）、流水线并行（多帧场景下将不同节点绑定到不同线程和设备）、任务并行（多模型场景下挖掘并行性缩短运行时间）以及上述组合并行模式。
• 线程池与内存池：通过线程池提高并发性能和资源利用率，支持CPU算子自动并行（parallel_for）提升执行效率；内存池实现高效的内存分配与释放（开发中）
• 一组高性能的算子：完成后将加速您模型前后处理速度(开发中)

3. 支持多种推理后端

• 一套代码多种推理后端部署：通过切换推理配置，实现一套代码即可完成模型跨多个平台以及多个推理框架部署，性能与原始框架一致
• 当前支持的推理框架如下：

Inference/OS	Linux	Windows	Android	MacOS	IOS	developer
TensorRT	√	-	-	-	-	Always
OpenVINO	√	√	-	-	-	Always
ONNXRuntime	√	√	-	-	-	Always
MNN	√	√	√	-	-	Always
TNN	√	√	√	-	-	02200059Z
ncnn	-	-	√	-	-	Always
coreML	-	-	-	√	-	JoDio-zd、jaywlinux
AscendCL	√	-	-	-	-	CYYAI
RKNN	√	-	-	-	-	100312dog
tvm	√	-	-	-	-	youxiudeshouyeren
snpe	√	-	-	-	-	yhwang-hub

4. 内置推理子模块

框架内部开发的推理子模块，作为缺省推理框架，当用户环境未编译链接其他推理框架时可使用此框架。在实际应用中，推荐使用芯片厂商提供的对应平台推理框架。

当前支持华为昇腾NPU和纯CPU算子后端。计划扩展至X86、CUDA、ARM、OpenCL等异构计算平台。

已适配主流视觉模型：图像分类（ResNet50等）、目标检测（YOLOv11等）、图像分割（RMBG1.4等）。未来将支持大语言模型（LLM）和文本图像多模态模型（Dit等）。

编译

1. 拉取源代码

git clone https://github.com/nndeploy/nndeploy.git
cd nndeploy
# 拉取子模块
git submodule update --init --recursive
# 如果拉取子模块失败，调用克隆子模块脚本
./clone_submodule.sh

2. 编译宏介绍

• 参考编译宏文档 的详细介绍

包含了以下几类配置：

1. 基础构建选项（建议采用默认配置）：如是否构建为共享库、使用的C++标准版本等等

2. 核心模块选项（建议采用默认配置）：更细粒度控制需要编译的文件

3. 设备后端选项（按需打开，默认全部关闭，不依赖任何设备后端）：如CUDA、OpenCL、各种NPU等硬件加速支持

4. 算子后端选项（按需打开，默认全部关闭，不依赖任何算子后端）：如cudnn、onednn、xnnpack、qnnpack

5. 推理后端选项（按需打开，默认全部关闭，不依赖任何推理后端）：如TensorRT、OpenVINO、ONNX Runtime等推理框架支持

6. 算法插件选项（建议采用默认配置，传统CV类算法打开，语言类和文生图类算法默认关闭）：如检测、分割、llm、文生图等算法插件

   • 其中传统CV类算法依赖OpenCV​，例如检测、分割、分类等，需要打开ENABLE_NNDEPLOY_OPENCV​
   • 注意：其中语言类和文生图类模型​依赖C++分词器tokenizer-cpp，所以需要打开ENABLE_NNDEPLOY_PLUGIN_TOKENIZER_CPP​，打开前参考precompile_tokenizer_cpp.md

3. 编译方法

config.cmake是nndeploy的编译配置文件，用于控制项目的编译选项。

相比于原生cmake -D选项，用户配置好的编译选项文件，可保留下来多次使用，在文件上还可以增加注释，方便后续维护。

相比编译脚本，无需为每个平台编写多种类型脚本，也不会遇到脚本环境问题，只需在根目录创建build目录，将config.cmake复制到该目录，然后修改config.cmake文件，即可开始编译。

假设你在根目录下，具体命令行如下：

mkdir build                 # 创建build目录
cp cmake/config.cmake build # 将编译配置模板复制到build目录
cd build                    # 进入build目录
vim config.cmake            # 使用编辑器vscode等工具直接修改config.cmake文件
cmake ..                    # 生成构建文件
make -j                     # 使用8个线程并行编译

4. 主库编译

• 默认编译产物为：libnndeploy_framework.so
• 算法插件编译产物为：libnndeploy_plugin_xxx.so
• 可执行程序编译产物为：nndeploy_demo_xxx

注：xxx代表特定算法插件和特定的可执行程序，例如：nndeploy_plugin_detect.so、nndeploy_demo_detect、nndeploy_demo_dag

5. Windows

• 环境要求

  • cmake >= 3.12
  • Microsoft Visual Studio >= 2017

• nndeploy提供的第三方库
  第三方库	主版本	Windows下载链接	备注
  opencv	4.8.0	下载链接
  OpenVINO	2023.0.1	下载链接
  ONNXRuntime	v1.15.1	下载链接
  MNN	2.6.2	下载链接
  TNN	v0.3.0	下载链接
  ncnn	v0.3.0	下载链接

  注：将上述所有库打包为一个压缩包windows_x64.7z，存放在huggingface上，使用前请将压缩包windows_x64.7z解压

• 具体步骤

  • 在根目录创建build​目录，将cmake/config.cmake​复制到该目录

    mkdir build
    cp cmake/config.cmake build
    cd build
    

  • 开始cmake​

    cmake ..
    

  • 通过visual studio打开build/nndeploy.sln​，开始编译、安装、执行

6. Linux

• 环境要求

  • cmake >= 3.12
  • gcc >= 5.1

• nndeploy提供的第三方库
  第三方库	主版本	Linux下载链接	备注
  OpenVINO	2023.0.1	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/ubuntu22.04_x64.tar
  ONNXRuntime	v1.15.1	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/ubuntu22.04_x64.tar
  MNN	2.6.2	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/ubuntu22.04_x64.tar
  TNN	v0.3.0	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/ubuntu22.04_x64.tar
  ncnn	v0.3.0	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/ubuntu22.04_x64.tar

  注：将上述所有库打包为一个压缩包ubuntu22.04_x64.tar，存放在huggingface上，使用前请将压缩包ubuntu22.04_x64.tar解压

  • 安装opencv

    • ​sudo apt install libopencv-dev​ 参考链接

  • 安装TensorRT cpp sdk 参考链接、cudnn、cuda、GPU driver

• 具体步骤

  • 在根目录创建build​目录，将cmake/config.cmake​复制到该目录

    mkdir build
    cp cmake/config.cmake build
    cd build
    

  • ​cmake​

    cmake ..
    

  • 编译

    make -j
    

  • 安装, 将nndeploy的库、可执行文件、第三方库安装至build/install/lib

    make install
    

7. Android

• 环境要求

  • cmake >= 3.12
  • ndk

• nndeploy提供的第三方库
  第三方库	主版本	Android下载链接	备注
  opencv	4.8.0	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/android.tar
  MNN	2.6.2	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/android.tar
  TNN	v0.3.0	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/android.tar
  ncnn	v0.3.0	wget https://huggingface.co/alwaysssss/nndeploy/blob/main/third_party/android.tar

  注：将上述所有库打包为一个压缩包android.tar，存放在huggingface上，使用前请将压缩包android.tar解压

• 具体步骤

  • 在根目录创建build​目录，将cmake/config.cmake​复制到该目录

    mkdir build
    cp cmake/config.cmake build
    cd build
    

  • 开始cmake​，需要指定ndk

    cmake .. -DCMAKE_TOOLCHAIN_FILE=/snap/android-ndk-r25c/build/cmake/android.toolchain.cmake -DANDROID_ABI=arm64-v8a -DANDROID_STL=c++_static -DANDROID_NATIVE_API_LEVEL=android-14 -DANDROID_TOOLCHAIN=clang -DBUILD_FOR_ANDROID_COMMAND=true
    

  • 开始编译

    make -j8
    

  • 开始安装, 将nndeploy相关库可执行文件、第三方库安装至build/install/lib

    make install