chore: import upstream snapshot with attribution

2026-07-13 13:33:03 +08:00
commit 5b57521aa1
8226 changed files with 3425766 additions and 0 deletions
@@ -0,0 +1,140 @@
+# C++ 快速开始
+
+本教程带你从源码编译到 C++ 推理，完成一个端到端的图像分类任务。
+
+## 1. 编译 MNN
+
+```bash
+cd MNN
+mkdir build && cd build
+cmake .. -DMNN_BUILD_CONVERTER=ON
+make -j8
+```
+
+> 更多平台（iOS/Android/Windows）编译方式请参考 [从源码构建](../compile/engine.md)。
+
+## 2. 转换模型
+
+```bash
+./MNNConvert -f ONNX --modelFile mobilenet_v1.onnx --MNNModel mobilenet_v1.mnn --weightQuantBits 8
+```
+
+## 3. 编写推理代码
+
+使用推荐的 **Module API** 进行推理（参考 `demo/exec/pictureRecognition_module.cpp`）：
+
+```cpp
+#include <stdio.h>
+#include <MNN/expr/Module.hpp>
+#include <MNN/expr/Executor.hpp>
+#include <MNN/expr/ExprCreator.hpp>
+#include <MNN/ImageProcess.hpp>
+
+using namespace MNN;
+using namespace MNN::Express;
+
+int main(int argc, const char* argv[]) {
+    if (argc < 3) {
+        printf("Usage: ./classify model.mnn input.jpg\n");
+        return 1;
+    }
+
+    // 1. 创建 RuntimeManager 配置后端
+    ScheduleConfig sConfig;
+    sConfig.type = MNN_FORWARD_CPU;
+    sConfig.numThread = 4;
+    auto rtmgr = std::shared_ptr<Executor::RuntimeManager>(
+        Executor::RuntimeManager::createRuntimeManager(sConfig));
+
+    // 2. 加载模型（空 vector 表示自动检测输入输出名）
+    std::shared_ptr<Module> net(
+        Module::load({}, {}, argv[1], rtmgr));
+    if (!net) {
+        printf("Failed to load model\n");
+        return 1;
+    }
+
+    // 3. 创建输入 (NC4HW4 是 MNN 内部优化格式)
+    int width = 224, height = 224;
+    auto input = _Input({1, 3, height, width}, NC4HW4);
+
+    // 4. 图像预处理（使用 MNN ImageProcess）
+    // 实际项目中用 stb_image/opencv 读图后用 ImageProcess 转换
+    // 此处简化为填充测试数据
+    auto inputPtr = input->writeMap<float>();
+    // ... 填充预处理后的图像数据到 inputPtr ...
+    input->unMap();
+
+    // 5. 推理
+    auto outputs = net->onForward({input});
+
+    // 6. 读取输出
+    auto output = _Convert(outputs[0], NHWC);
+    output = _Reshape(output, {0, -1});
+    auto outputPtr = output->readMap<float>();
+    // 找到概率最大的类别
+    int classId = 0;
+    float maxVal = outputPtr[0];
+    int outputSize = output->getInfo()->size;
+    for (int i = 1; i < outputSize; i++) {
+        if (outputPtr[i] > maxVal) {
+            maxVal = outputPtr[i];
+            classId = i;
+        }
+    }
+    printf("预测类别编号: %d, 置信度: %f\n", classId, maxVal);
+    return 0;
+}
+```
+
+## 4. 编译并运行
+
+在 MNN build 目录下：
+```bash
+g++ -std=c++11 -o classify classify.cpp \
+    -I ../include \
+    -L . -lMNN -lMNN_Express
+
+./classify mobilenet_v1.mnn test.jpg
+```
+
+## 5. 完整的图像处理示例
+
+实际项目中使用 `ImageProcess` 完成图像解码和预处理，参考 `demo/exec/pictureRecognition_module.cpp`，核心流程：
+
+```cpp
+#include <MNN/ImageProcess.hpp>
+
+// 配置预处理参数
+MNN::CV::ImageProcess::Config imgConfig;
+imgConfig.filterType = MNN::CV::BILINEAR;
+imgConfig.sourceFormat = MNN::CV::RGBA;
+imgConfig.destFormat = MNN::CV::RGB;
+imgConfig.mean[0] = 103.94f;
+imgConfig.mean[1] = 116.78f;
+imgConfig.mean[2] = 123.68f;
+imgConfig.normal[0] = 0.017f;
+imgConfig.normal[1] = 0.017f;
+imgConfig.normal[2] = 0.017f;
+
+auto pretreat = std::shared_ptr<MNN::CV::ImageProcess>(
+    MNN::CV::ImageProcess::create(imgConfig));
+
+// 设置缩放矩阵
+MNN::CV::Matrix trans;
+trans.setScale((float)(inputWidth - 1) / (width - 1),
+               (float)(inputHeight - 1) / (height - 1));
+pretreat->setMatrix(trans);
+
+// 转换图像数据到 input VARP
+pretreat->convert(imageData, inputWidth, inputHeight, 0,
+                  input->writeMap<float>(), width, height, 4, 0,
+                  halide_type_of<float>());
+```
+
+## 下一步
+
+- [Module API 详解](../inference/module.md) — 完整的 C++ 推理接口说明
+- [LLM 部署指南](../transformers/llm.md) — 部署大语言模型
+- [模型压缩](../tools/compress.md) — 权值量化、离线量化等
+- [Session API](../inference/session.md) — 低层推理接口（特殊场景使用）