• 中文
  • 3.0.31

    • 常见算法模型示例

    位置路径

    常见算法模型示例位于 horizon_model_convert_sample 路径的： 03_classification/、 04_detection/ 和 07_segmentation/ 文件夹中。

    如何准备数据集

    数据集下载地址

    数据集的下载地址可参考下表：

    数据集下载地址
    ImageNethttps://www.image-net.org/download.php
    COCOhttps://cocodataset.org/
    VOChttp://host.robots.ox.ac.uk/pascal/VOC/ （需要下载2007和2012两个版本）
    Cityscapeshttps://github.com/mcordts/cityscapesScripts

    数据集参考结构

    为方便您进行后续步骤，在数据集下载完成后，您需要按照如下地平线建议的结构对评测数据集进行处理。

    数据集说明
    ImageNet数据集

    我们建议您将下载的数据集解压成如下结构，数据准备过程中如遇问题请联系地平线。

    imagenet/ 
 ├── calibration_data 
 │   ├── ILSVRC2012_val_00000001.JPEG 
 │   ├── ... 
 │   └── ILSVRC2012_val_00000100.JPEG 
 ├── ILSVRC2017_val.txt 
 ├── val 
 │   ├── ILSVRC2012_val_00000001.JPEG 
 │   ├── ... 
 │   └── ILSVRC2012_val_00050000.JPEG 
 └── val.txt
    COCO数据集

    我们建议您将下载的数据集解压成如下结构，数据准备过程中如遇问题请联系地平线。

    coco/
 ├── calibration_data
 │   ├── COCO_val2014_000000181007.jpg
 │   ├── ...
 │   └── COCO_val2014_000000181739.jpg
 └── coco_val2017
     ├── annotations
     │   ├── instances_train2017.json
     │   └── instances_val2017.json
     └── images
         ├── 000000000139.jpg
         ├── 000000000285.jpg
         ├── ...
         ├── 000000581615.jpg
         └── 000000581781.jpg
    VOC数据集

    请注意：
    请您注意，VOC2012目录下目前存储了VOC2007和VOC2012两份数据集，请您按照如下目录结构对评测数据集进行处理。 数据准备过程中如遇问题请联系地平线。

     VOCdevkit/ 
 └── VOC2012 
     ├── Annotations 
     │   ├── 2007_000027.xml 
     │   ├── ... 
     │   └── 2012_004331.xml 
     ├── ImageSets 
     │   ├── Action 
     │   │   ├── jumping_train.txt 
     │   │   ├── jumping_trainval.txt 
     │   │   ├── jumping_val.txt 
     │   │   ├── ... 
     │   │   ├── val.txt 
     │   │   ├── walking_train.txt 
     │   │   ├── walking_trainval.txt 
     │   │   └── walking_val.txt 
     │   ├── Layout 
     │   │   ├── train.txt 
     │   │   ├── trainval.txt 
     │   │   └── val.txt 
     │   ├── Main 
     │   │   ├── aeroplane_train.txt 
     │   │   ├── aeroplane_trainval.txt 
     │   │   ├── aeroplane_val.txt 
     │   │   ├── ... 
     │   │   ├── train.txt 
     │   │   ├── train_val.txt 
     │   │   ├── trainval.txt 
     │   │   ├── tvmonitor_train.txt 
     │   │   ├── tvmonitor_trainval.txt 
     │   │   ├── tvmonitor_val.txt 
     │   │   └── val.txt 
     │   └── Segmentation 
     │       ├── train.txt 
     │       ├── trainval.txt 
     │       └── val.txt 
     ├── JPEGImages 
     │   ├── 2007_000027.jpg 
     │   ├── ... 
     │   └── 2012_004331.jpg 
     ├── SegmentationClass 
     │   ├── 2007_000032.png 
     │   ├── ... 
     │   └── 2011_003271.png 
     ├── SegmentationObject 
     │   ├── 2007_000032.png 
     │   ├── ... 
     │   └── 2011_003271.png 
     └── train.txt
    Cityscapes数据集

    我们建议您将下载的数据集解压成如下结构，数据准备过程中如遇问题请联系地平线。

     cityscapes/ 
 ├── cityscapes_calibration_data 
 │   ├── aachen_000000_000019_leftImg8bit.png 
 │   ├── ... 
 │   └── aachen_000099_000019_leftImg8bit.png 
 ├── gtFine 
 │   ├── test 
 │   │   ├── berlin 
 │   │   ├── ... 
 │   │   └── munich 
 │   ├── train 
 │   │   ├── aachen 
 │   │   ├── ... 
 │   │   └── zurich 
 │   └── val 
 │       ├── frankfurt 
 │       ├── lindau 
 │       └── munster 
 ├── leftImg8bit 
 │   ├── test 
 │   │   ├── berlin 
 │   │   ├── ... 
 │   │   └── munich 
 │   ├── train 
 │   │   ├── aachen 
 │   │   ├── ... 
 │   │   └── zurich 
 │   └── val 
 │       ├── frankfurt 
 │       ├── lindau 
 │       └── munster 
 ├── license.txt 
 └── README

    如何准备模型

    在使用模型转换示例包时，请您先准备好对应的浮点模型。

    注解

    OE包默认不携带示例对应的校准数据集和原始模型，您需要在对应的示例文件夹内执行 00_init.sh 获取当前示例所需的模型和校准数据集。

    对于各原始模型的来源、修改点（如有）的准备过程，请您参考以下内容。

    MobileNetv1

    1. 模型来源：https://github.com/shicai/MobileNet-Caffe

    2. md5sum码：

      md5sumFile
      3fd6889ec48bda46451d67274144e2a8mobilenet.caffemodel
      8922f90f629d428fecf866e798ac7c08mobilenet_deploy.prototxt

    MobileNetv2

    1. 模型来源：https://github.com/shicai/MobileNet-Caffe

    2. md5sum码：

      md5sumFile
      54aab8425ea068d472e8e4015f22360cmobilenet_v2.caffemodel
      13101ee86ab6d217d5fd6ed46f7a4faamobilenet_v2_deploy.prototxt

    ResNet50

    1. 模型来源：https://pytorch.org/vision/main/models/generated/torchvision.models.resnet50.html

    2. md5sum码：

      md5sumFile
      ebaeb70c972d1a3e6eb06c0e1541eeb4resnet50.onnx

    GoogleNet

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/GoogleNet

    2. md5sum码：

      md5sumFile
      f107ae6806ea1016afbc718210b7a617googlenet.onnx

    EfficientNet_Lite0/1/2/3/4

    注意

    为了快速运行示例，避免使用第三方工具带来的风险，强烈推荐您直接使用地平线模型发布物 model_zoo/mapper/ 路径下准备好的ONNX浮点模型。如果您有兴趣复现tflite2onnx的模型转换过程，也可以尝试使用以下三方工具。但地平线无法保证第三方工具的质量和转换成功率。

    1. 模型来源：可从 https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/lite 获取tar包。

    2. 地平线模型发布物中转换后的ONNX模型md5sum码：

      md5sumFile
      001a329bd367fbec22b415c7a33d7bdbefficientnet_lite0_fp32.onnx
      1205e95aea66650c71292bde236d55a9efficientnet_lite1_fp32.onnx
      474741c15494b79a89fe51d89e0c43c7efficientnet_lite2_fp32.onnx
      550455b41848d333f8359279c89a6baeefficientnet_lite3_fp32.onnx
      bde7fe57eadb4a30ef76f68da622dcd5efficientnet_lite4_fp32.onnx

    3. 下载后可从tar包中得到 .tflite 文件，然后可通过tflite2onnx工具 将tflite转换为ONNX模型。

      不同版本的tflite2onnx转换出来的layout会不一样，若转换出来的ONNX模型的输入layout是NHWC排布，则build时，EfficientNet_Lite0/1/2/3/4的 input_layout_train 均应该选择 NHWC。

    Vargconvnet

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/VargConvNet

    2. md5sum码：

      md5sumFile
      e21b8db17916f9046253bbe0bb8de3efvargconvnet.onnx

    Efficientnasnet_m

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/EfficientnasNet

    2. md5sum码：

      md5sumFile
      fc36c052c6f034c0b64a6197b91b0c62efficientnasnet-m.onnx

    Efficientnasnet_s

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/EfficientnasNet

    2. md5sum码：

      md5sumFile
      e2744bd748f4265f4488676835a6ca24efficientnasnet-s.onnx

    ResNet18

    1. 模型来源：https://pytorch.org/vision/main/models/generated/torchvision.models.resnet18.html

    2. md5sum码：

      md5sumFile
      62de4ff68317c65ab4bb6a451e719e6dresnet18.onnx

    YOLOv2_Darknet19

    注意

    • 为了快速运行示例，避免使用第三方工具带来的风险，强烈推荐您直接使用地平线模型发布物 model_zoo/mapper/ 路径下准备好的Caffe浮点模型。如果您有兴趣复现darknet2caffe的模型转换过程，也可以尝试使用以下三方工具。但地平线无法保证三方工具的质量和转换成功率。

    • 为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. YOLOv2_Darknet19模型需要首先从YOLO官网，下载YOLOv2 608x608的.cfg和.weight文件并使用darknet2caffe 转换工具将其转换为caffe model。
    注解

    该转换工具（darknet2caffe）是一个简化版本，使用时，需要修改该工具生成的.prototxt文件，将其中的 'Reshape' 层修改成 'Passthrough' 层， Passthrough 层具体修改后的参数请见提供的yolov2.prototxt例子，并在输出节点增加一个NCHW2NHWC的Permute操作。

    1. md5sum码：

      md5sumFile
      7aa7a6764401cebf58e73e72fcbd2a45yolov2.caffemodel
      72e9a51c1e284e4b66e69f72ca9214c8yolov2_transposed.prototxt

    YOLOv3_Darknet53

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. YOLOv3_Darknet53模型获取：

    URL：https://github.com/ChenYingpeng/caffe-yolov3/ ，caffemodel可以在该github的README.md提供的百度云下载路径中下载，并在输出节点增加一个NCHW2NHWC的Permute操作。

    1. md5sum码：

      md5sumFile
      935af6e1530af5c0017b3674adce95e9yolov3_transposed.prototxt
      9a0f09c850656913ec27a6da06d9f9ccyolov3.caffemodel

    YOLOv5x

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. YOLOv5x模型：可以从URL：https://github.com/ultralytics/yolov5/releases/tag/v2.0 中下载相应的pt文件。
    注意

    在clone代码时，请确认您使用的Tags是v2.0，否则将导致转换失败。

    1. md5sum码：

      md5sumFile
      2e296b5e31bf1e1b6b8ea4bf36153ea5yolov5l.pt
      16150e35f707a2f07e7528b89c032308yolov5m.pt
      42c681cf466c549ff5ecfe86bcc491a0yolov5s.pt
      069a6baa2a741dec8a2d44a9083b6d6eyolov5x.pt
    def forward(self, x):
    # x = x.copy()  # for profiling
    z = []  # inference output
    self.training |= self.export
    for i in range(self.nl):
        x[i] = self.m[i](x[i])  # conv
        bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
        #  x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
        x[i] = x[i].permute(0, 2, 3, 1).contiguous()
    注解

    去除了每个输出分支尾部从4维到5维的reshape（即不将channel从255拆分成3x85），然后将layout从NHWC转换成NCHW再输出。

    以下左图为修改前的模型某一输出节点的可视化图，右图则为修改后的对应输出节点可视化图。

    yolov5
    注意

    在使用export.py脚本时，请注意：

    在clone代码时，请确认您使用的Tags是v2.0，否则将导致转换失败。

    1. 由于地平线算法工具链支持的ONNX opset版本为 10 ~ 19，请将 torch.onnx.export 的 opset_version 参数根据您要使用的版本进行修改。

    2. 将 torch.onnx.export 部分的默认输入名称参数由 'images' 改为 'data'，与模型转换示例包的YOLOv5x示例脚本保持一致。

    3. 将 parser.add_argument 部分中默认的数据输入尺寸640x640改为模型转换示例包YOLOv5x示例中的672x672。

    SSD_MobileNetv1

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. SSD_MobileNetv1模型：可以从URL：https://github.com/chuanqi305/MobileNet-SSD 获得Caffe模型。

    2. md5sum码：

      md5sumFile
      bbcb3b6a0afe1ec89e1288096b5b8c66mobilenet_iter_73000.caffemodel
      3c230e4415195a50c6248be80c49882dMobileNetSSD_deploy.prototxt

    Efficientdetd0

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/EfficientDet

    2. md5sum码：

      md5sumFile
      ec4129c4b300cd04f1e8f71e0fe54ca5efficientdet_nhwc.onnx

    CenterNet_Resnet101

    注意
    • 我们将maxpool和sigmoid节点放到模型中，并指定编译为BPU节点，用于减少后处理过程中的计算量。
    • 在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/Centernet

    2. md5sum码：

      md5sumFile
      db195ff784792f475e573c5126401d2acenternet_resnet101_coco_modify.onnx

    Fcos_efficientnetb0

    注意
    • 该模型为采用PTQ方式训练出来的模型。
    • 为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/blob/master/Fcos_Efficientnetb0

    2. md5sum码：

      md5sumFile
      9f9a1fe8508e2bd068e70146eb559b4ffcos_efficientnetb0.onnx

    Yolov4

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/YoloV4

    2. md5sum码：

      md5sumFile
      aaa3c3e5e4c4c1d4830b6501b1720e4dyolov4_efficientnetb0.onnx

    YOLOv3_VargDarknet

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. YOLOv3_VargDarknet模型获取：

    URL：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/Yolov3_VargDarknet ， 可以在该github的README.md提供的百度云下载路径中下载。

    1. md5sum码：

      md5sumFile
      fd4e46bc7c9798b51778d3aa09c5053ayolov3_vargdarknet53.onnx

    Fcos_resnet50

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/Fcos_Resnet50

    2. md5sum码：

      md5sumFile
      0218942777615fac2f54cefdac4fbfa7fcos_resnet50.onnx

    Fcos_resnext101

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/Fcos_Resnext101

    2. md5sum码：

      md5sumFile
      4b80efd22448021721ac5a860909c59ffcos_resnext101.onnx

    Unet_mobilenet

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Dequantize节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/MobilenetUnet

    2. md5sum码：

      md5sumFile
      21c6c645ebca92befbebc8c39d385c1etf_unet_trained.onnx

    DeeplabV3plus_efficientnetb0

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Reshape和Cast节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/DeeplabV3Plus

    2. md5sum码：

      md5sumFile
      cf3a683f31b4b0ebe090647729f869d9deeplabv3plus_efficientnetb0.onnx

    Fastscnn_efficientnetb0

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Reshape和Cast节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/FastSCNN

    2. md5sum码：

      md5sumFile
      c1ace8f08a9c7b9c91509fa68327d0c8fastscnn_efficientnetb0.onnx

    Deeplabv3plus_dilation1248

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Transpose节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/DeeplabV3Plus

    2. md5sum码：

      md5sumFile
      ad002e572cbb49e1e99d893aac69f3e3deeplabv3_cityscapes_dila1248_permute.onnx

    Deeplabv3plus_efficientnetm1

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Reshape、Cast和Transpose节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/DeeplabV3Plus

    2. md5sum码：

      md5sumFile
      0a1dfd01e173c68630d9e8dc1a6036fedeeplabv3plus_efficientnetm1.onnx

    Deeplabv3plus_efficientnetm2

    注意

    为保证板端性能达到最优，在编译hbm模型的yaml文件中我们对 remove_node_type 参数进行了配置，将hbm模型中的Reshape、Cast和Transpose节点做了删除的操作。

    1. 模型来源：https://github.com/HorizonRobotics-Platform/ModelZoo/tree/master/DeeplabV3Plus

    2. md5sum码：

      md5sumFile
      c11a2673c4b3cf6e5d7bf1a051925d38deeplabv3plus_efficientnetm2.onnx

    算法模型示例的使用演示

    本小节以 Resnet50 模型为例，使用算法模型示例包中 03_classification/03_resnet50/ 路径下脚本分步骤演示浮点模型到定点模型转换的过程。

    进入Docker容器

    首先，根据 Docker容器部署 一节内容完成Docker环境的安装和配置并进入docker容器。

    下载原始模型及校准数据集

    在 03_classification/03_resnet50/ 文件夹内执行 00_init.sh 获取当前示例所需的模型和校准数据集。

    # 1. 进入示例脚本放置的文件夹
cd samples/ai_toolchain/horizon_model_convert_sample/03_classification/03_resnet50/
# 2. 执行脚本下载原始模型及校准数据集
sh 00_init.sh

    验证模型是否能够执行

    如下所示，运行脚本：

    # 执行模型检查
sh 01_check.sh

    准备校准用的数据集

    在同一路径下继续执行 02_preprocess.sh 脚本，如下所示：

    # 将 01_common/calibration_data/imagenet 中的图片
# 转换到: ./calibration_data_bgr
sh 02_preprocess.sh
    注解

    • 我们从ImageNet数据集抽取了100张图作为校准数据集，在校准前，我们对数据进行了预处理：short size resize/crop size/NHWC to NCHW/转为rgb。

    • hb_compile 工具会从转换得到二进制数据中读取数据，预处理过的二进制数据文件格式为 npy，dtype为uint8。

    build模型

    在同一路径下继续执行 03_build.sh 脚本，如下所示：

    sh 03_build.sh
    注解

    上述脚本使用 hb_compile 工具转换模型，最需要关注的是转换的配置文件，请参考 模型量化编译 章节。

    上述脚本的输出如下所示：

    ls model_output | cat
resnet50_224x224_nv12.hbm
resnet50_224x224_nv12_calibrated_model.onnx
resnet50_224x224_nv12_ptq_model.onnx
resnet50_224x224_nv12_optimized_float_model.onnx
resnet50_224x224_nv12_original_float_model.onnx
resnet50_224x224_nv12_quantized_model.bc
resnet50_224x224_nv12.html
resnet50_224x224_nv12.json
resnet50_224x224_nv12_quant_info.json 
resnet50_224x224_nv12_advice.json
resnet50_224x224_nv12_node_info.csv
hb_compile.log
    注解

    您暂时只需要关心 resnet50_224x224_nv12.hbm 文件。

    单张图片推理

    执行 04_inference.sh 脚本进行单张图片的推理过程，如下所示：

    sh 04_inference.sh
    注解

    • 因为图片推理过程时，需要对图片进行 前处理，对模型数据进行 后处理，所以我们提供了一个示例Python脚本。具体请参考 sh 04_inference.sh 。

    • 此脚本只是对单张图片进行推理，验证单张图片的推理结果是否符合预期，如果想做精度测评，可以参考 05_evaluate.sh 脚本。

    精度测试

    继续执行 05_evaluate.sh 脚本进行精度评测，如下所示：

    export PARALLEL_PROCESS_NUM=${parallel_process_num}
sh 05_evaluate.sh
    注解

    • 因为精度评测时，需要对图片进行 前处理，对模型数据进行 后处理，所以我们提供了一个示例Python脚本。具体请参考 sh 05_evaluate.sh。

    • 为了加快评测速度，可以通过 -p 选项适当调整并发进程数，但需要注意内存的占用情况。当 -p 选项值不填或者设置为 0 时，CPU环境中的定点模型将按照10个进程数处理，其他场景均按1个进程数处理。

    常见问题

    复现的精度为什么与文档中提供的指标有细微差异？

    出现此种现象的原因可能有以下两点：

    1. 在不同的服务器环境下，计算方式上可能会有细小的区别，就会导致不同的服务器环境中编译出来的定点onnx模型的精度与文档的记录值有细微数据波动。

    2. 使用的第三方库如opencv、numpy等库的版本不同，导致图片经过前处理后的得到的结果不同，这种情况也会导致精度复现时与文档中的记录值有细微数据波动。

    出现这种情况，您可以不用过于担心，文档中提供的记录指标仅作为参考，您在复现时的精度与文档中的记录值有细微差异是正常现象，可以正常跑通精度即可。

    定点模型精度为何与ai_benchmark示例中的hbm文件上板精度无法对齐？

    在标准交付中，我们在添加示例的时候，定点模型精度和ai_benchmark示例中的hbm文件上板精度是已经做了对齐处理的。

    如果您发现定点模型精度与ai_benchmark示例中的hbm文件上板精度无法对齐的情况，建议您优先检查模型输入是否一致。 由于执行定点模型评估脚本时，使用到的是图片类型的数据集；而上板使用到的hbm模型，需要使用hb_eval_preprocess工具转换后的二进制数据集。 基于此点，如果您在上板时使用的数据集并非通过上述方式生成的,我们建议您先在运行定点模型的精度的相同服务器上，使用我们的数据预处理工具（即hb_eval_preprocess工具）重新生成上板需要的数据集，重跑上板精度，以保证模型输入一致。

    注意

    注意，在使用hb_eval_preprocess工具生成数据集和运行定点模型精度时，两者使用的环境需要保证一致。