本文的编译应用环境及用到的编译工具为Win10、pycharm、VS2015、Android Studio.

1、NCNN编译

腾讯官方的介绍：ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。ncnn 从设计之初深刻考虑手机端的部署和使用。无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。ncnn 目前已在腾讯多款应用中使用，如 QQ，Qzone，微信，天天P图等。

1、protobuf编译
下载protobuf ：https://github.com/google/protobuf/archive/v3.4.0.zip
下载完后解压，然后打开VS2015 X64本机工具命令提示符：
进入protobuf文件夹，建立build文件夹

cd build

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 

2、编译ncnn
下载ncnn源码：https://github.com/Tencent/ncnn/releases
在cmake-gui中编译

将编译好的protobuf 库路径添加到“Protobuf_SRC_ROOT_FOLDER”
打开VS 编译ALL BUILD

生成的应用如下：

至此，NCNN编译成功。

2、pt转onnx

提前训练好Yolov5-5.0的模型，我选用yolov5s训练自己的监测模型。利用自带的export.py导出onnx文件。

python .\models\export.py --weights .\runs\train\exp\weights\best.pt  

生成best.onnx文件，再利用onnxsim简化模型文件。

python -m onnxsim .\runs\train\exp\weights\best.onnx .\runs\train\exp\weights\best-sim.onnx

3、onnx转ncnn

利用编译生成的ncnn工具onnx2ncnn.exe转换.param和.bin文件

onnx2ncnn.exe best-sim.onnx

但是报异常。

这是由于focus模块转换的报错。

参考nihui大神的解决方式 详细记录u版YOLOv5目标检测ncnn实现
继续修改，也就是三个permute上紧挨着的reshape行红色矩形框要改为-1，这样就支持动态尺寸推理了。

在使用ncnnoptimize.exe进行优化，

ncnnoptimize.exe ncnn.param ncnn.bin ncnn-opt.param ncnn-opt.bin 1

其中0 表示fp32,1表示fp16，转换fp16后bin文件减小一半。

至此，ncnn文件已经转换完成。

4、安卓端部署

1）下载ncnn-yolov5-android源码
下载地址：ncnn-android-yolov5
（2）下载ncnn-android-vulkan包
下载地址： ncnn-releasesncnn-randroid-vulkan.
选择ncnn-xxx-android-vulkan.zip下载，xxx为对应的ncnn版本日期。

将ncnn-xxx-android-vulkan.zip解压到ncnn-yolov5-android的app\src\main\jni路径下
在AS中打开，配置好NDK版本后，编译运行。

很幸运也很顺利。

速度也是杠杠的。

部署成功！！！

5、问题及解决

1、yolov5-6.0的模型转换，pt转onnx时，参数中加入 --train 去掉后处理阶段。
2、如果不修改.param文件中的三个reshape 红框的值为-1，将会出现很多很多目标检测框！
3、修改yolov5ncnn_jni.cpp中多尺度检测结果提取网络的层数与.param文件中的permute对应的层数。

4、开启GPU后，加载bin文件慢。将opt.use_vulkan_compute置为false，即可解决。

写在最后，多参考知乎nihui大神的杰作，绝对有帮助！https://www.zhihu.com/people/nihui-2