近半年一直用瑞星微的芯片做项目，一开始并没有使用它的rknn框架，直到其它难点全部攻克后正好是2025年春节放假了，又正好这次没有旅游计划，所以在才有时间研究一下，发现rknn真是个好东西，就想把它封装到Delphi中，于是就有了我这个 rknn4Delphi 目前只写了图像识别和图像分类 2个模块，并且已开源到 github： 随着人工智能技术的飞速发展，将机器学习模型应用于各类软件开发中已成为一种趋势。瑞星微作为一家知名的半导体公司，其推出的RKNN（Rockchip Neural Network）推理框架在边缘计算领域表现不凡。RKNN为开发者提供了一种高效、便捷的方式来部署神经网络模型到基于瑞星微芯片的设备上。在此基础上，探索将RKNN框架封装进Delphi编程语言的实践中，无疑对于拓宽Delphi的应用场景和提升其处理复杂算法的能力有着重要的意义。 Delphi作为一种快速应用开发工具，其简洁的语法、强大的编译器和丰富的组件库使得它在桌面应用程序的开发中占据一席之地。然而，在处理深度学习、图像处理等人工智能相关任务时，Delphi本身的功能相对有限。通过封装RKNN框架，开发者能够利用RKNN高效的数据处理能力，在Delphi环境下实现复杂的图像识别和分类功能，这无疑增强了Delphi的应用范围和竞争力。 本项目名为rknn4Delphi，它主要包含了图像识别和图像分类两个模块，这两个模块是计算机视觉中最为基础且应用广泛的领域。图像识别主要涉及到从图像中识别出特定的物体或者模式，而图像分类则是将图像划分到不同的类别中。rknn4Delphi封装了RKNN框架后，能够支持开发者将训练好的神经网络模型部署到使用Delphi开发的应用程序中，从而实现快速准确的图像处理能力。 此外，rknn4Delphi已经被开源到GitHub上，这为全球的开发者社区提供了一个宝贵的资源。开源意味着更多的开发者可以参与到这个项目的完善中来，不仅能够利用此框架加速自己的项目开发，还能够对rknn4Delphi进行改进和扩展，使其适应更多特定的业务需求和硬件平台。开源的做法也符合当前软件开发领域提倡的协作和共享精神，有助于形成一个更加开放和活跃的开发者社区。 至于rknn4Delphi如何在实际应用中发挥作用，我们可以想象一个典型的场景：在零售行业，通过摄像头收集的顾客购买行为视频流可以被rknn4Delphi处理，以识别商品种类并统计各类商品的销售情况。这不仅能够帮助商家更精准地进行库存管理和销售策略的制定，还可以为顾客提供个性化的购物体验。在医疗领域，rknn4Delphi也可以辅助医生进行疾病的早期诊断，通过图像识别技术快速检测出病变组织，从而提高诊断的准确率和效率。 rknn4Delphi作为将RKNN框架成功封装进Delphi环境的项目，对于想要在Delphi中实现深度学习应用的开发者来说，是一个非常有价值的学习和工作资源。它不仅降低了技术门槛，还促进了技术的创新和应用，有望推动Delphi在新时代中的发展。同时，rknn4Delphi的开源性质也为全球开发者带来了便利，有助于形成一个互助合作的技术社区。

TNN 是一个移动端高性能、轻量级推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。提供了arm64-v8a和armeabi-v7a两个版本。

编译好的文件 ---- ------------- ------ ---- -a---- 2022/8/25 下午 08:06 416256 tm_alphapose.exe -a---- 2022/8/25 下午 08:06 388096 tm_apollo_smoke.exe -a---- 2022/8/25 下午 08:06 304640 tm_classification.exe -a---- 2022/8/25 下午 08:06 305152 tm_classification_int8.exe -a---- 2022/8/25 下午 08:06 305152 tm_classification_uint8.exe -a---- 2022/8/25 下午 08:06 372224 tm_crnn.exe -a---- 2022/8/25

ncnn ncnn is a high-performance neural network inference computing framework optimized for mobile platforms. ncnn is deeply considerate about deployment and uses on mobile phones from the beginning of design. ncnn does not have third party dependencies. it is cross-platform, and runs faster than all known open source frameworks on mobile phone cpu. Developers can easily deploy deep learning algori

我总结的关于深度学习模型编程优化加速、硬件加速、以及模型本身加速有关的经验