MNN模型推理输入处理问题解析与解决方案

问题背景

在使用阿里巴巴开源的MNN推理引擎进行模型部署时，开发者遇到了一个常见但棘手的问题：模型推理输出结果为空。该问题出现在将PyTorch模型转换为ONNX格式，再转换为MNN格式后，在MacOS M1平台上进行推理时发生。

问题分析

从技术细节来看，该问题主要涉及以下几个方面：

1. 输入数据格式不匹配：原始PyTorch模型的输入处理流程与MNN推理时的输入处理存在差异
2. 数据类型不一致：最初尝试使用uint8_t类型输入，而模型实际需要float类型
3. 张量布局问题：NC4HW4与NCHW布局之间的转换不当
4. 图像预处理差异：PyTorch和MNN对图像缩放和颜色空间转换的处理方式不同

解决方案

经过多次调试和验证，最终确定了正确的输入处理方式：

std::vector<MNN::Express::VARP> getMNNInputs(std::string file_name) {
    int width = 640;
    int height = 320;
    int inputWidth = 0;
    int inputHeight = 0;
    int channels;
    unsigned char *data = stbi_load(file_name.c_str(), &inputWidth, &inputHeight, &channels, 3);
    if (data == nullptr) {
        std::cout << "Failed to load image: " << file_name << std::endl;
        return {};
    }
    
    // 配置图像预处理参数
    MNN::CV::ImageProcess::Config config;
    config.filterType = MNN::CV::BILINEAR;
    float mean[3] = {0.0f, 0.0f, 0.0f};
    float normals[3] = {1.0f / 255.0f, 1.0f / 255.0f, 1.0f / 255.0f};
    ::memcpy(config.mean, mean, sizeof(mean));
    ::memcpy(config.normal, normals, sizeof(normals));
    config.sourceFormat = RGB;
    config.destFormat = GRAY;
    
    // 设置图像变换矩阵
    Matrix trans;
    trans.setScale((float)(inputWidth-1) / (width-1), (float)(inputHeight-1) / (height-1));
    
    std::shared_ptr<MNN::CV::ImageProcess> pretreat(MNN::CV::ImageProcess::create(config));
    pretreat->setMatrix(trans);
    
    // 创建输入张量并预处理
    auto img_tensor = MNN::Express::_Input({1,1, height, width}, MNN::Express::NC4HW4, halide_type_of<float>());
    pretreat->convert(data, inputWidth, inputHeight, 0, img_tensor->writeMap<float>(), width, height, 0, 0, halide_type_of<float>());
    
    std::vector<MNN::Express::VARP> inputs;
    inputs.emplace_back(img_tensor);
    stbi_image_free(data);
    return inputs;
}

关键改进点

1. 正确的数据类型：确保使用float类型而非uint8_t作为输入数据类型
2. 适当的张量布局：直接使用NC4HW4布局而非转换
3. 精确的图像缩放：通过Matrix设置正确的缩放比例，保持与PyTorch预处理一致
4. 颜色空间转换：在预处理阶段完成RGB到灰度的转换
5. 维度顺序：确保输入张量的维度顺序与模型期望一致(1,1,height,width)

经验总结

1. 模型转换验证：在模型转换后，务必使用工具验证转换是否正确
2. 输入一致性：确保推理时的输入处理与训练时完全一致
3. 数据类型检查：特别注意输入数据类型的匹配
4. 布局优化：理解不同布局(NCHW/NC4HW4)的适用场景
5. 预处理对齐：图像预处理流程需要与训练时严格对齐

通过以上解决方案，成功解决了MNN推理输出为空的问题，为类似场景下的模型部署提供了有价值的参考。