ncnn框架是当前边缘计算的主流框架，关于全志D1运行ncnn框架的笔记，nihui大佬曾经于2021年发表了相关的帖子。但是目前工具链和ncnn版本有所变化，因此在大佬的基础上将，完整过程记录如下。
相关链接：
1.https://bbs.aw-ol.com/topic/705/
2.https://zhuanlan.zhihu.com/p/386312071?utm_source=qq&utm_medium=social&utm_oi=872955404320141312
1 准备交叉编译工具链
目前使用的交叉工具链是v2.2.6版本，具体下载链接见：https://occ.t-head.cn/community/download?id=4046947553902661632
下载这个文件：Xuantie-900-gcc-linux-5.10.4-glibc-x86_64-V2.2.6-20220516.tar.gz
tar -xf Xuantie-900-gcc-linux-5.10.4-glibc-x86_64-V2.2.6-20220516.tar.gz
export RISCV_ROOT_PATH=/home/{你的用户名}/Xuantie-900-gcc-linux-5.10.4-glibc-x86_64-V2.2.6
2 下载和编译ncnn
这边的toolchain file选用c906-v226.toolchain.cmake，其余的不用修改，在toolchain file里面都已经改好了。其中可能有路径问题，根据ncnn文件夹，实际所在的路径修改即可。
git clone https://github.com/Tencent/ncnn.git
cd ncnn
mkdir build-c906
cd build-c906
cmake -DCMAKE_TOOLCHAIN_FILE=../toolchains/c906-v226.toolchain.cmake -DCMAKE_BUILD_TYPE=release -DNCNN_OPENMP=OFF -DNCNN_THREADS=OFF -DNCNN_RUNTIME_CPU=OFF -DNCNN_RVV=ON -DNCNN_SIMPLEOCV=ON -DNCNN_BUILD_EXAMPLES=ON ..
make -j4
3 测试benchncnn
目前2.0版本的TinaLinux 执行 ncnn 程序已经不会有问题
将 ncnn/build-c906/benchmark/benchncnn 和 ncnn/benchmark/*.param 拷贝到 d1开发板上，路径结构如下：
chmod 0777 benchncnn
./benchncnn 4 1 0 -1 0
oot@TinaLinux:~/ncnn# ./benchncnn 4 1 0 -1 0
syscall error -1
loop_count = 4
num_threads = 1
powersave = 0
gpu_device = -1
cooling_down = 0
fopen squeezenet.param failed
network graph not ready
Segmentation fault
root@TinaLinux:~/ncnn# ./benchncnn 4 1 0 -1 0
syscall error -1
loop_count = 4
num_threads = 1
powersave = 0
gpu_device = -1
cooling_down = 0
squeezenet min = 382.77 max = 385.92 avg = 384.66
squeezenet_int8 min = 8975.18 max = 8979.84 avg = 8977.72
mobilenet min = 702.76 max = 704.76 avg = 703.74
mobilenet_int8 min = 29501.19 max = 29546.07 avg = 29514.59
mobilenet_v2 min = 451.34 max = 452.27 avg = 451.78
mobilenet_v3 min = 358.12 max = 359.24 avg = 358.42
shufflenet min = 527.04 max = 528.48 avg = 527.69
shufflenet_v2 min = 310.96 max = 312.30 avg = 311.59
mnasnet min = 435.13 max = 437.02 avg = 435.94
proxylessnasnet min = 473.05 max = 476.37 avg = 475.19
efficientnet_b0 min = 601.75 max = 610.41 avg = 606.18
efficientnetv2_b0 min = 859.37 max = 861.75 avg = 860.67
regnety_400m min = 653.71 max = 654.24 avg = 653.88
blazeface min = 154.08 max = 154.67 avg = 154.38
googlenet min = 1404.80 max = 1409.50 avg = 1407.33
googlenet_int8 min = 42586.56 max = 42608.04 avg = 42597.36
resnet18 min = 1047.81 max = 1050.59 avg = 1049.40
resnet18_int8 min = 45011.41 max = 45185.10 avg = 45098.12
alexnet min = 955.34 max = 956.98 avg = 956.06
vgg16 min = 5355.40 max = 5356.05 avg = 5355.75
如果一切运行正常，则会出现上述信息。
4 测试example
将 ncnn/build-c906/examples/nanodet 和测试图片拷贝到 d1开发板上
从这里下载 nanodet 模型文件并拷贝到 d1开发板上
nihui/ncnn-assetsgithub.com/nihui/ncnn-assets/tree/master/models
目录结构如下：
注意，进过测试，jpg格式的图像读取时会报错，png格式没有问题
./nanodet test.png
