简介

Simd 库 是一个免费的开源图像处理和机器学习库，专为 C 和 C++ 程序员设计。它提供了许多高效的图像处理算法，包括：像素格式转换、图像缩放与滤波、从图像中提取统计信息、运动检测、目标检测与分类以及神经网络。

这些算法通过使用不同的 SIMD CPU 扩展指令集进行了优化。具体来说，该库支持以下 CPU 指令集扩展：x86/x64 架构下的 SSE、AVX、AVX-512 和 AMX；ARM 架构下的 NEON；Hexagon 架构下的 HVX。

Simd 库提供 C API，并包含一些有用的 C++ 类和函数，以方便开发者访问 C API。该库支持动态链接和静态链接，适用于 32 位和 64 位的 Windows 和 Linux 系统，兼容 MSVS、G++ 和 Clang 编译器，以及 MSVS 项目和 CMake 构建系统。

库文件夹结构

Simd 库的文件夹结构如下：

• simd/src/Simd/ - 包含库的源代码。
• simd/src/Test/ - 包含库的测试框架。
• simd/src/Use/ - 包含库的使用示例。
• simd/py/SimdPy/ - 包含库的 Python 封装。
• simd/prj/vs2022/ - 包含 Microsoft Visual Studio 2022 的项目文件。
• simd/prj/cmd/ - 包含在 Windows 系统下构建库所需的额外脚本。
• simd/prj/cmake/ - 包含 CMake 构建系统的文件。
• simd/prj/sh/ - 包含在 Linux 系统下构建库所需的额外脚本。
• simd/prj/txt/ - 包含构建库所需的文本文件。
• simd/data/cascade/ - 包含 OpenCV 级联分类器（HAAR 和 LBP）。
• simd/data/image/ - 包含图像样本。
• simd/data/network/ - 包含训练好的网络示例。
• simd/docs/ - 包含库的文档。

在 Windows 上构建库

要在 Windows 32/64 位系统上构建库和测试应用程序，您需要使用 Microsoft Visual Studio 2022。项目文件位于以下目录：

simd/prj/vs2022/

默认情况下，库会构建为 DLL（动态链接库）。您也可以将其构建为静态库。为此，您需要更改 Simd 项目的相应属性（配置类型），并在以下文件中取消注释 #define SIMD_STATIC：

simd/src/Simd/SimdConfig.h

此外，您还可以使用 CMake 和 MinGW 来构建库：

mkdir build
cd build
cmake ..\prj\cmake -DSIMD_TOOLCHAIN="your_toolchain\bin\g++" -DSIMD_TARGET="x86_64" -DCMAKE_BUILD_TYPE="Release" -G "MinGW Makefiles"
mingw32-make

在 Linux 上构建库

要在 Linux 32/64 位系统上构建库和测试应用程序，您需要使用 CMake 构建系统。CMake 构建系统的文件位于以下目录：

simd/prj/cmake/

该库可以针对 x86/x64、ARM（32/64 位）以及 Hexagon 平台进行构建，使用 G++ 或 Clang 编译器。对于当前平台使用原生编译器（g++）非常简单：

mkdir build
cd build
cmake ../prj/cmake -DSIMD_TOOLCHAIN="" -DSIMD_TARGET=""
make

要为 ARM（32/64 位）平台构建库，您还可以使用交叉编译工具链。以下是针对 ARM（32 位）的示例：

mkdir build
cd build
cmake ../prj/cmake -DSIMD_TOOLCHAIN="/your_toolchain/usr/bin/arm-linux-gnueabihf-g++" -DSIMD_TARGET="arm" -DCMAKE_BUILD_TYPE="Release"
make

而对于 ARM（64 位）：

mkdir build
cd build
cmake ../prj/cmake -DSIMD_TOOLCHAIN="/your_toolchain/usr/bin/aarch64-linux-gnu-g++" -DSIMD_TARGET="aarch64" -DCMAKE_BUILD_TYPE="Release"
make

对于带有 HVX 的 Hexagon 平台（使用 Hexagon Clang 工具链进行交叉编译）：

mkdir build
cd build
cmake ../prj/cmake -DSIMD_TOOLCHAIN="/your_toolchain/bin/hexagon-linux-musl-clang" -DSIMD_TARGET="hexagon" -DCMAKE_BUILD_TYPE="Release"
make

最终，库和测试应用程序将被构建到当前目录中。

还有一些附加的构建参数：

• SIMD_AVX512 - 启用 AVX-512（AVX-512F、AVX-512CD、AVX-512VL、AVX-512DQ、AVX-512BW）CPU 扩展指令集。默认已启用。
• SIMD_AVX512VNNI - 启用 AVX-512-VNNI CPU 扩展指令集。默认已启用。
• SIMD_AMXBF16 - 启用 AMX-BF16、AMX-INT8 和 AVX-512-BF16 CPU 扩展指令集。默认未启用。
• SIMD_TEST - 构建测试框架。默认已启用。
• SIMD_INFO - 打印构建信息。默认已启用。
• SIMD_PERF - 启用内部性能统计功能。默认未启用。
• SIMD_SHARED - 构建为共享库。默认未启用。
• SIMD_GET_VERSION - 调用脚本来获取 Simd 库版本。默认已启用。
• SIMD_SYNET - 为 Synet 框架启用优化。默认已启用。
• SIMD_INT8_DEBUG - 为 Synet 框架启用 INT8 调试功能。默认未启用。
• SIMD_HIDE - 隐藏 Simd 库的内部函数。默认未启用。
• SIMD_RUNTIME - 启用运行时更快的算法选择。默认已启用。
• SIMD_TEST_FLAGS - 用于构建测试框架的额外编译器标志。
• SIMD_OPENCV - 在测试框架中使用 OpenCV。默认未启用。
• SIMD_INSTALL - 启用安装目标。默认已启用。
• SIMD_UNINSTALL - 启用卸载目标。默认已启用。
• SIMD_PYTHON - 启用 Simd 的 Python 封装。默认已启用。

使用库

如果您从 C 代码中使用该库，您需要包含：

#include "Simd/SimdLib.h"

而如果从 C++ 代码中使用该库，您需要包含：

#include "Simd/SimdLib.hpp"

要使用 Simd::Detection，您需要包含：

#include "Simd/SimdDetection.hpp"

要使用 Simd::Neural，您需要包含：

#include "Simd/SimdNeural.hpp"

要使用 Simd::Motion，您需要包含：

#include "Simd/SimdMotion.hpp"

包管理器

您可以使用依赖管理器 vcpkg 下载并安装 simd：

git clone https://github.com/Microsoft/vcpkg.git
cd vcpkg
./bootstrap-vcpkg.sh
./vcpkg integrate install
./vcpkg install simd

vcpkg 中的 simd 软件包由 Microsoft 团队成员和社区贡献者持续维护更新。如果版本过旧，请在 vcpkg 仓库中 创建问题或拉取请求。

与 OpenCV 的交互

如果您需要在 Simd 和 OpenCV 类型之间进行相互转换，只需在包含 Simd 头文件之前定义宏 SIMD_OPENCV_ENABLE 即可：

#include <opencv2/core/core.hpp>
#define SIMD_OPENCV_ENABLE
#include "Simd/SimdLib.hpp"

然后您可以转换以下类型：

• cv::Point, cv::Size <--> Simd::Point。
• cv::Rect <--> Simd::Rectangle。
• cv::Mat <--> Simd::View。

测试框架

测试套件用于验证库的正确性以及性能测试。对于库 API 中的每一个函数，都有一组相应的测试用例。以下是使用测试应用程序的一个示例：

./Test -m=a -tt=1 -f=Sobel -ot=log.txt

其中使用的参数说明如下：

• -m=a：自动检查模式，包含性能测试（仅适用于以 Release 模式构建的库）。在这种模式下，会比较同一函数的不同实现方式（例如，标量实现与使用 SSE2、AVX2 等不同 SIMD 指令的实现）。此外，也可以使用 -m=s 来运行特定测试。
• -tt=1：测试线程数。特殊值包括：-1 表示使用所有可用线程进行测试；-2 表示使用一半可用线程进行测试。
• -fi=Sobel：包含过滤器。在此例中，仅测试函数名中包含“Sobel”字样的函数。若省略此参数，则会执行全面测试。可以同时指定多个过滤器，函数名只需满足其中一个即可。
• -ot=log.txt：测试报告文件名（文本格式）。测试报告也会输出到控制台。

此外，您还可以使用以下参数：

• --help 或 -?：打印帮助信息。
• -r=../..：设置项目根目录。
• -pa=1：打印对齐统计信息。
• -pi=1：打印内部统计信息（需将 CMake 参数 SIMD_PERF 设置为 ON）。
• -c=512：性能测试中使用的测试图像通道数。
• -h=1080：性能测试中使用的测试图像高度。
• -w=1920：性能测试中使用的测试图像宽度。
• -oh=log.html：测试报告文件名（HTML 格式）。
• -s=sample.avi：视频源（参见 Simd::Motion 测试）。
• -o=output.avi：标注后的视频输出（参见 Simd::Motion 测试）。
• -wt=1：用于并行化算法的线程数。使用 -1 可启用最大并行度。
• -fe=Abs：排除过滤器，用于排除某些测试。
• -mt=100：最小测试执行时间（单位：毫秒）。
• -lc=1：在每次测试之间清理 CPU 缓存。
• -ri=city.jpg：部分测试中使用的实际图像文件名。该图像需放置在 ./data/image 目录下。
• -tr=2：测试执行重复次数。
• -ts=1：打印测试执行时间统计信息。
• -cc=1：检查 C++ API。
• -de=2：禁用特定 SIMD 扩展的标志位。基础值为 1，2 表示 SSE4.1/NEON/HVX，4 表示 AVX2，8 表示 AVX-512BW，16 表示 AVX-512VNNI，32 表示 AMX-BF16。
• -wu=100：测试前 CPU 的预热时间（单位：毫秒）。
• -pt=1：将线程固定到特定 CPU 核心的布尔标志位。

Simd 库快速上手指南

Simd 是一个免费开源的图像处理和机器学习库，专为 C/C++ 开发者设计。它利用 SIMD CPU 扩展（如 SSE, AVX, AVX-512, AMX, NEON, HVX）提供高性能算法，涵盖像素格式转换、图像缩放滤波、运动检测、物体检测分类及神经网络等功能。

环境准备

系统要求：

• 操作系统：Windows (32/64-bit) 或 Linux (32/64-bit)。
• 硬件架构：支持 x86/x64, ARM (32/64), 或 Hexagon 平台。
• 编译器：
  • Windows: Microsoft Visual Studio 2022 (推荐) 或 MinGW (G++)。
  • Linux: G++ 或 Clang。
• 构建系统：CMake (Linux 必选，Windows 可选)。

前置依赖：

• CMake：版本需支持当前构建脚本（建议 3.10+）。
• Git：用于克隆源码或通过 vcpkg 安装。
• OpenCV (可选)：仅在使用测试框架或需要类型转换时必需。

安装步骤

您可以选择通过包管理器安装，或从源码编译。

方法一：使用 vcpkg 包管理器（推荐 Windows/Linux）

这是最简便的安装方式，由微软团队维护。

git clone https://github.com/Microsoft/vcpkg.git
cd vcpkg
./bootstrap-vcpkg.sh
./vcpkg integrate install
./vcpkg install simd

方法二：源码编译 (Windows)

选项 A：使用 Visual Studio 2022

1. 打开 simd/prj/vs2022/ 目录下的解决方案文件。
2. 默认构建为 DLL。若需静态库：
   • 修改 Simd 项目的配置类型为“静态库”。
   • 在 simd/src/Simd/SimdConfig.h 中取消注释 #define SIMD_STATIC。
3. 生成并构建项目。

选项 B：使用 CMake + MinGW

mkdir build
cd build
cmake ..\prj\cmake -DSIMD_TOOLCHAIN="your_toolchain\bin\g++" -DSIMD_TARGET="x86_64" -DCMAKE_BUILD_TYPE="Release" -G "MinGW Makefiles"
mingw32-make

方法三：源码编译 (Linux)

原生平台编译 (x86/x64)

mkdir build
cd build
cmake ../prj/cmake -DSIMD_TOOLCHAIN="" -DSIMD_TARGET=""
make

交叉编译 (ARM 示例)

• ARM 32-bit:

  mkdir build
  cd build
  cmake ../prj/cmake -DSIMD_TOOLCHAIN="/your_toolchain/usr/bin/arm-linux-gnueabihf-g++" -DSIMD_TARGET="arm" -DCMAKE_BUILD_TYPE="Release"
  make
  

• ARM 64-bit (aarch64):

  mkdir build
  cd build
  cmake ../prj/cmake -DSIMD_TOOLCHAIN="/your_toolchain/usr/bin/aarch64-linux-gnu-g++" -DSIMD_TARGET="aarch64" -DCMAKE_BUILD_TYPE="Release"
  make
  

提示：常用构建参数可通过 -D 传递，例如 -DSIMD_AVX512=ON (默认开启), -DSIMD_SHARED=ON (构建动态库), -DSIMD_OPENCV=ON (启用 OpenCV 支持)。

基本使用

1. 引入头文件

根据您的开发语言和所需功能，包含相应的头文件：

C 语言接口：

#include "Simd/SimdLib.h"

C++ 接口：

#include "Simd/SimdLib.hpp"

特定功能模块：

// 物体检测
#include "Simd/SimdDetection.hpp"

// 神经网络
#include "Simd/SimdNeural.hpp"

// 运动检测
#include "Simd/SimdMotion.hpp"

2. 与 OpenCV 交互 (可选)

如果您需要在 Simd 和 OpenCV 数据类型之间进行转换，请在包含 Simd 头文件之前定义宏 SIMD_OPENCV_ENABLE：

#include <opencv2/core/core.hpp>
#define SIMD_OPENCV_ENABLE
#include "Simd/SimdLib.hpp"

支持以下类型互转：

• cv::Point, cv::Size <--> Simd::Point
• cv::Rect <--> Simd::Rectangle
• cv::Mat <--> Simd::View

3. 运行测试与性能验证

编译完成后，可运行生成的 Test 应用程序验证库的功能和性能。

示例命令：

./Test -m=a -tt=1 -f=Sobel -ot=log.txt

参数说明：

• -m=a: 自动检查模式（包含性能测试），对比不同 SIMD 实现（如标量 vs AVX2）。
• -tt=1: 测试线程数（-1 表示使用所有可用线程）。
• -f=Sobel: 过滤只测试名称包含 "Sobel" 的函数。
• -ot=log.txt: 将测试报告输出到文本文件。

更多高级参数（如指定图片尺寸、禁用特定指令集等）可运行 ./Test --help 查看。