git clone https://github.com/kendryte/nncase.git
cd nncase
mkdir build && cd build

# 使用 Ninja
cmake .. -G Ninja -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=./install
ninja && ninja install

# 使用 make
cmake .. -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=./install
make && make install

nncase 快速上手指南

nncase 是一款专为 AI 加速器（如嘉楠勘智 K210、K510、K230 系列芯片）设计的神经网络编译器。它支持将 TensorFlow Lite、Caffe、ONNX 等格式的模型编译优化，以便在嵌入式设备上高效运行。

1. 环境准备

• 操作系统：
  • Linux：推荐 Ubuntu 18.04/20.04/22.04 或兼容发行版。
  • Windows：Windows 10/11 (64-bit)。
• 前置依赖：
  • Python 3.6 及以上版本。
  • pip 包管理工具。
  • （可选）若需从源码编译，需安装 CMake、Ninja 或 Make 以及 C++ 编译器。

注意：目前针对 K510 和 K230 芯片的核心运行时库（nncase-kpu）未完全开源，强烈建议直接使用 pip 安装预编译包，而非从源码编译，以确保功能完整。

2. 安装步骤

请根据您的操作系统选择对应的安装方式。所有版本均可在 GitHub Releases 查看，以下命令将自动拉取最新稳定版。

Linux 系统

直接通过 pip 安装核心库及 KPU 运行时库：

pip install nncase nncase-kpu

国内加速建议：如果下载速度慢，建议使用清华源或阿里源：

pip install nncase nncase-kpu -i https://pypi.tuna.tsinghua.edu.cn/simple

Windows 系统

Windows 下需要分两步安装，先安装主程序，再手动安装 KPU 轮子包：

1. 安装主程序：

   pip install nncase
   

2. 前往 nncase Releases 页面，下载对应版本的 nncase_kpu-2.x.x-py2.py3-none-win_amd64.whl 文件。

3. 在终端中进入下载目录，执行安装：

   pip install nncase_kpu-2.x.x-py2.py3-none-win_amd64.whl
   

   (请将文件名替换为您实际下载的版本号)

3. 基本使用

nncase 的核心工作流是将原始模型（如 .tflite, .onnx）转换为优化的 .kmodel 格式。以下是一个基于 Python 的最简转换示例（以 TFLite 模型为例）：

简单模型转换示例

import nncase
from nncase import Target, RuntimeCompiler

# 1. 初始化编译器，指定目标芯片 (例如 'k230' 或 'k510')
target = Target('k230')
compiler = RuntimeCompiler(target)

# 2. 导入模型
# 假设你有一个名为 'mobilenet_v2.tflite' 的模型文件
model_content = open('mobilenet_v2.tflite', 'rb').read()
compiler.import_tflite(model_content)

# 3. 配置编译选项 (可选，如量化设置)
# 这里使用默认的浮点编译，若需量化需传入校准数据集
compile_options = compiler.compile_options
compile_options.entry_func = 'main'
compile_options.dump_dir = 'output_dump' # 用于调试输出

# 4. 执行编译
compiler.compile()

# 5. 导出 kmodel
kmodel = compiler.gencode()
with open('mobilenet_v2.kmodel', 'wb') as f:
    f.write(kmodel)

print("编译完成，已生成 mobilenet_v2.kmodel")

后续步骤

生成的 .kmodel 文件可部署到嘉楠开发板上，通过 C SDK 或 MicroPython (CanMV) 进行加载和推理。详细的使用案例和仿真脚本可参考官方提供的 Jupyter Notebook 示例。