yolov5 v7.0转ncnn时遇到很多问题，ncnn版本20231027以下仅做记录：

1.通过官方代码，export.py 转onnx，指定–dynamic --simplify参数

2.编译并安装ncnn，通过onnx2ncnn将onnx转化为ncnn.bin和ncnn.param

3.加载ncnn模型（该部分坑很多）

直接加载，构造输入，获取输出，直接挂掉了，经过排查发现问题，如下图：

  通过节点输出，发现当获取到Slice算子时，输出错误，因此初步判定Slice算子有问题，通过文档查看，发现ncnn中Slice的参数1=3（这里的1是axis），由于ncnn最多支持4维度（忽略掉batch，就只剩3维），因此这里的维度越界了，改为1=2就可以正常运行了。

  修改后接着往下运行，又挂掉了，定位到发现是后边的Concate算子报错了，同样也是维度问题，将0=3改为0=2。

  通过netron观察onnx模型，发现yolov5s 7.0中有三个这样的结构，全部按照上述两个操作更改，如下：

  运行成功，不会报错了

  然而，ncnn模型输出与onnxruntime推理的模型输出不一致，不仅仅是不一致，里边全是-nan，也就是中间某些层的参数一定是出了问题。

  最开始怀疑是推理模型是的问题，可能是fp32使用int8或fp16推理等，通过文档查看，ncnn推理时默认是使用fp32，而且转模型是默认也是fp32，排除这一想法。

  由于最终模型结构没有问题，那么问题肯定是出在模型参数上了，再次通过各个节点的部分结果与onnxruntime对比，在同样输入时，第一层（Convelution)的结果就不对，肯定是权重或偏置不对。

  于是在ncnn/src/lays/convelution.cpp的load_model中添加输出信息，重新编译安装ncnn，运行代码发现卷积层的weight不对，通过查看ncnn.param文件，发现convelution算子的前边还有6个MemoryData，如下图：

  查阅文档发现ncnn中参数读取是按照顺序，果然卷积层的错误的权重来自391节点，也就是说MemoryData定义有问题，文档中MemoryData的参数有三个，whc，默认值都是0：

因此也就是说，ncnn读取权重的时候，MemoryData的大小被误认为是0了，所以就没有读取，直接到Convelution了，所以这里将MemoryData的参数补齐（需要对照Metron的参数维度以及这些节点的使用位置），如下图：

然后重新运行程序，运行成功，贴一张图展示下：

  总结一下：

  通过这一波操作下来，发现onnx2ncnn这个工具目前还有很多操作需要完善，单个算子可能没问题，但是多个算子的组合可能就有问题（主要原因是不支持更多维度）。

如果模型转换后遇到模型推理失败：

1.获取节点返回值或输出节点维度，定位到出错节点，然后根据出错节点的参数排查问题

如果推理结果和预期不符：

1.由于ncnn输出的结果都是以ncnn::Mat，因此可以根据各个节点输出与onnxruntime对比，从最开始不一致的节点分析，如果ncnn.param参数没问题，那肯定就是权重问题。

2.切记，不要随意删除有权重信息的中间节点，因为ncnn权重加载是按顺序的，如果含有权重信息的参数被删除，后续的算子参数就是错乱。

如果是算子不支持：

1.通过自定义算子，将代码放在ncnn/src/lays中，重新编译

2.通过自定义算子，在代码运行时注册进去