• 中文
  • 3.8.1

    • AI Benchmark使用说明

    AI Benchmark示例包提供了嵌入式应用开发常见分类、检测、分割、追踪估计、bev模型和在线建图的性能和精度评测示例。 其中性能评测示例包括单帧延迟评测和多线程评测示例，充分利用调用BPU的速度进行评测。 示例包中预置了源码、可执行程序和评测脚本，您可以在地平线开发板上进行体验，并基于这些示例直接进行应用开发，降低开发门槛。

    发布物说明

    AI Benchmark示例包位于 horizon_j6_open_explorer 发布物的 samples/ucp_tutorial/dnn/ai_benchmark/ 路径下，主要包括以下内容：

    编号名称内容
    1code包含示例源代码和编译脚本。
    2j6示例包上板运行环境。

    示例包结构

    ​示例包结构如下所示：

    ├── code                                   # 示例源码文件夹
│   ├── build_ptq_j6_qnx.sh
│   ├── build_ptq_j6.sh
│   ├── build_qat_j6_qnx.sh
│   ├── build_qat_j6.sh
│   ├── build.sh                           # 通用的编译脚本，被build_ptq_xxx.sh和build_qat_xxx.sh调用
│   ├── CMakeLists.txt
│   ├── include                            # 源码头文件
│   │   ├── base
│   │   ├── input
│   │   ├── method
│   │   ├── output
│   │   ├── plugin
│   │   └── utils
│   ├── README.md
│   ├── resolve.sh                         # 下载模型性能评测数据集的脚本
│   └── src                                # 示例源码
│       ├── input
│       ├── method
│       ├── output
│       ├── plugin
│       ├── simple_example.cc
│       └── utils
├── j6                                     # 示例包运行环境
│   ├── ptq                                # PTQ方案模型示例
│   │   ├── data                           # 模型性能评测数据集
│   │   ├── mini_data                      # Mini评测数据集
│   │   ├── model                          # PTQ方案模型
│   │   │   ├── README.md
│   │   │   └── runtime -> ../../../../../../model_zoo/runtime/nash-e/ai_benchmark/ptq   # 软链接指向OE包中的模型，板端运行环境需要自行指定模型路径
│   │   ├── README.md
│   │   ├── script                         # 执行脚本
│   │   │   ├── aarch64                    # 编译产生可执行文件及依赖库
│   │   │   ├── classification             # 分类模型示例
│   │   │   ├── config                     # 模型推理配置文件
│   │   │   ├── detection                  # 检测模型示例
│   │   │   ├── segmentation               # 分割模型示例
│   │   │   ├── env.sh                     # 基础环境脚本
│   │   │   └── README.md
│   │   └── tools                          # 精度评测工具
│   └── qat                                # QAT方案模型示例
│       ├── data                           # 模型性能评测数据集
│       ├── mini_data                      # Mini评测数据集
│       ├── model                          # QAT方案模型
│       │   ├── README.md
│       │   └── runtime -> ../../../../../../model_zoo/runtime/nash-e/ai_benchmark/qat   # 软链接指向OE包中的模型，板端运行环境需要自行指定模型路径
│       ├── README.md
│       └── script                        # 执行脚本
│           ├── aarch64                   # 编译产生可执行文件及依赖库
│           ├── bev                       # bev模型示例
│           ├── classification            # 分类模型示例
│           ├── config                    # 模型推理配置文件
│           ├── detection                 # 检测模型示例
│           ├── online_map                # 在线建图模型示例
│           ├── segmentation              # 分割模型示例
│           ├── tracking                  # 追踪模型示例
│           ├── traj_pred                 # 轨迹预测示例
│           ├── env.sh                    # 基础环境脚本
│           ├── dsp_deploy.sh             # 部署板上的dsp运行脚本
│           └── README.md
└── README.md
    • code：该目录内是评测程序的源码，用来进行模型性能和精度评测。
    • j6：该目录内提供了已经编译好的应用程序，以及各种评测脚本，用来测试多种模型在地平线BPU上运行的性能和精度等。
    • build_ptq_j6.sh：PTQ真机程序一键编译脚本。
    • build_qat_j6.sh：QAT真机程序一键编译脚本。
    • build_ptq_j6_qnx.sh：PTQ QNX系统程序一键编译脚本。
    • build_qat_j6_qnx.sh：QAT QNX系统程序一键编译脚本。

    示例模型

    AI Benchmark示例包的模型发布物包括PTQ模型和QAT模型发布物：

    • PTQ模型model_zoo需要通过执行 samples/ai_toolchain/model_zoo/runtime/${march}/ai_benchmark/ 路径下的 resolve_ai_benchmark_ptq.sh 脚本进行获取。路径中的 ${march} 可选值有 nash-e 、 nash-b 及 nash-p ，分别对应 J6E/M 、 J6B 及 J6P/H 平台，您可根据需要自行选择。

    • QAT模型model_zoo需要通过执行 samples/ai_toolchain/model_zoo/runtime/${march}/ai_benchmark/ 路径下的 resolve_ai_benchmark_qat.sh 脚本进行获取。路径中的 ${march} 可选值有 nash-e 、 nash-b 及 nash-p ，分别对应 J6E/M 、 J6B 及 J6P/H 平台，您可根据需要自行选择。

    注解

    mixvargenet_imagenet， detr3d_efficientnetb3， petr_efficientnetb3， bev_lss_efficientnetb0_multitask， bevformer_tiny_resnet50_detection，deformable_detr_resnet50，pointpillars_kitti_car和qcnet模型的benchmark不支持在J6B上运行。

    • ptq/model 文件夹包含模型所在的路径， runtime 文件夹为软链接，链接路径默认指向 ../../../../../../model_zoo/runtime/nash-e/ai_benchmark/ptq ，若您需要运行非 nash-e 架构的模型，可自行修改链接路径中的 nash-e 为 nash-b 或 nash-p 。

    • qat/model 文件夹包含模型所在的路径， runtime 文件夹为软链接，链接路径默认指向 ../../../../../../model_zoo/runtime/nash-e/ai_benchmark/qat ，若您需要运行非 nash-e 架构的模型，可自行修改链接路径中的 nash-e 为 nash-b 或 nash-p 。

    其中包含常用的分类、检测、分割和光流预测等模型，模型命名规则为 {model_name}_{backbone}_{input_size}_{input_type}。

    注解

    model_zoo中的PTQ和QAT模型通过原始模型编译而得到的，PTQ原始模型的详细信息可以参考 PTQ转换示例 章节进行了解，QAT原始模型的详细信息可以参考 示例说明 章节进行了解。

    AI Benchmark示例包内包含的PTQ和QAT模型发布物的性能数据可根据您的平台参考 模型性能Benchmark 章节。

    公共数据集

    示例中会使用到数据集，对应数据集的下载您可参考 数据集下载 章节，数据准备过程中如遇问题请联系地平线。

    环境构建

    使用AI Benchmark示例包之前，您需要保证开发板环境和编译环境可用：

    • 开发板准备

      1. 拿到开发板后，升级系统镜像到示例包推荐的系统镜像版本。

      2. 确保本地开发机和开发板可以远程连接。

    • 编译环境准备

      编译需要当前环境安装好交叉编译工具，请根据 环境部署 部分的指引进行安装。 然后执行 code 目录下的build_ptq_j6.sh和build_qat_j6.sh脚本即可一键编译真机环境下的可执行程序，如需在QNX平台下编译，可运行build_ptq_j6_qnx.sh和build_qat_j6_qnx.sh脚本。 可执行程序和对应依赖会自动复制到 j6/ptq/script 和 j6/qat/script 目录下的 aarch64 目录下。

    注解

    需要注意，在Linux平台编译时 build.sh 脚本里指定的交叉编译工具链的位置是 opt 目录下，如果安装在其他位置，需要手动修改下脚本中的如下内容。

    export CC=/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-gcc
export CXX=/arm-gnu-toolchain-12.2.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-g++

    同样地，在qnx平台编译时，build.sh 脚本里指定的交叉编译工具链的位置是 /opt/Compiler/qnx800/host/linux/x86_64 ，如果安装在其它位置，可以修改环境变量QNX_HOST的值来指定交叉编译工具链的位置。

    export QNX_HOST=/opt/Compiler/qnx800/host/linux/x86_64

    示例使用

    评测示例

    ​评测示例脚本主要在 script 和 tools 目录下。

    script 目录下是板上运行的评测脚本，包括常见分类、检测、分割、光流、追踪等模型。每个模型下面有以下三个脚本：

    脚本描述
    fps.sh实现多线程fps统计（多线程调度，可以根据需求自由设置线程数）。
    latency.sh实现单帧延迟性能统计（一个线程，单帧）。
    accuracy.sh用于精度评测。
    script:

├── aarch64                                    # 编译产生的可执行文件及依赖库
│   ├── bin
│   └── lib
├── env.sh                                     # 基础配置
├── config                                     
│   ├── model                                  
│   │   ├── data_name_list                     # image_name配置文件
│   │   └── input_init                         # 模型输入配置文件
│   │   └── input_order                         # 模型输入顺序
│   ├── preprocess
│   │   └── centerpoint_preprocess_5dim.json   # 前处理配置文件
│   └── reference_points                       # 模型参考点信息
│   │   ├── bev_lss_efficientnetb0_multitask
│   │   └── ...
├── detection                                  # 检测模型
│   ├── fcos3d_efficientnetb0_mscoco             # 在此目录中还有其他模型, 仅以此模型目录为参考
│   │   ├── accuracy.sh
│   │   ├── fps.sh
│   │   ├── latency.sh
│   │   ├── workflow_accuracy.json             # 精度配置文件
│   │   ├── workflow_fps.json                  # 性能配置文件
│   │   └── workflow_latency.json              # 单帧延时配置文件
│   └──...
├── ...
└── README.md

    ptq/tools 目录下主要包括 python_tools 下的精度计算脚本，用于PTQ模型的精度评测。

    python_tools
└── accuracy_tools
    ├── cls_imagenet_eval.py
    ├── det_coco_eval.py
    ├── det_voc_eval.py
    ├── metrics
    │   ├── cityscapes_metric.py
    │   ├── coco_config.py
    │   ├── coco_metric.py
    │   └── voc_metric.py
    └── seg_cityscapes_eval.py
    注意

    评测前需要执行以下命令，将 ptq （或者 qat ）目录拷贝到开发板上。

    scp -r samples/ucp_tutorial/dnn/ai_benchmark/j6/ptq root@192.168.1.1:/userdata/ptq/
scp -r samples/ucp_tutorial/dnn/ai_benchmark/j6/qat root@192.168.1.1:/userdata/qat/

    json配置文件参数信息

    本小节按照输入配置项（input_config）、输出配置项（output_config）及workflow配置项的维度，分别对workflow_fps.json、workflow_latency.json及workflow_accuracy.json中的配置项进行简单说明。

    注解

    下方给出的配置项参数信息为通用配置项信息，一些示例模型由于模型特殊性，还会有额外的配置项，具体请您参考示例模型json文件。

    输入配置项（input_config）

    参数名称参数说明涉及json文件
    input_type设置输入数据格式，支持图像或者bin文件。fps.json、latency.json、accuracy.json
    height设置输入数据高度。fps.json、latency.json、accuracy.json
    width设置输入数据宽度。fps.json、latency.json、accuracy.json
    data_type

    设置输入数据类型，支持类型可参考 hbDNNDataType小节。
    对应数据类型由上到下排序，分别对应数字0,1,2...
    如HB_DNN_TENSOR_TYPE_S4对应数字0，
    HB_DNN_TENSOR_TYPE_U4对应数字1，
    HB_DNN_TENSOR_TYPE_S8对应数字2...

    		fps.json、latency.json、accuracy.json
    image_list_file设置预处理数据集lst文件所在路径。fps.json、latency.json、accuracy.json
    need_pre_load设置是否使用预加载方式对数据集读取。fps.json、latency.json、accuracy.json
    limit设置处理中和处理完的输入数据量间差值的阈值，用于控制输入数据的处理线程。fps.json、latency.json、accuracy.json
    need_loop设置是否循环读取数据进行评测。fps.json、latency.json、accuracy.json
    max_cache

    设置预加载的数据个数。
    请注意：
    此参数生效时会预处理图片并读取到内存中，为保障您的程序稳定运行，请不要设置过大的值，建议您的数值设置不超过30。

    		fps.json、latency.json、accuracy.json

    输出配置项（output_config）

    参数名称参数说明涉及json文件
    output_type设置输出数据类型。fps.json、latency.json、accuracy.json
    in_order设置是否按顺序进行输出。fps.json、latency.json、accuracy.json
    enable_view_output设置是否将输出结果可视化。fps.json、latency.json
    image_list_enable可视化时，设置为true，则可将输出结果保存为图像类型。fps.json、latency.json
    view_output_dir设置可视化结果输出文件路径。fps.json、latency.json
    eval_enable设置是否对精度进行评估。accuracy.json
    output_file设置模型输出结果文件。accuracy.json

    workflow配置项

    模型推理配置项：

    参数名称参数说明涉及json文件
    method_type设置模型推理方法，此处需配置为 InferMethod。fps.json、latency.json、accuracy.json
    method_config设置模型推理参数。
    • core：设置推理core id。
    • model_file：指定模型文件。
    		fps.json、latency.json、accuracy.json

    后处理配置项：

    参数名称参数说明涉及json文件
    thread_count设置后处理线程数，取值范围为 1-8。fps.json、latency.json、accuracy.json
    method_type设置后处理方法。fps.json、latency.json、accuracy.json
    method_config设置后处理参数。fps.json、latency.json、accuracy.json

    性能评测

    性能评测分为latency和fps两方面。

    使用说明

    latency：

    进入到需要评测的模型目录下，执行 sh latency.sh 即可测试出单帧延迟。如下所示：

    I0419 02:35:07.041095 39124 output_plugin.cc:80]  Infer latency:  [avg:  13.124ms,  max:  13.946ms,  min:  13.048ms], Post process latency: [avg:  3.584ms,  max:  3.650ms,  min:  3.498ms].
    注解
    • infer 表示模型推理耗时。
    • Post process 表示后处理耗时。

    fps：

    该功能采用多线程并发方式，旨在让模型可以在BPU上达到极致的性能。由于多线程并发及数据采样的原因，在程序启动阶段帧率值会较低，之后帧率会上升并逐渐趋于稳定，帧率的浮动范围控制在0.5%之内。 进入到需要评测的模型目录下执行 sh fps.sh 即可测试出帧率。如下所示：

    I0419 02:35:00.044417 39094 output_plugin.cc:109]  Throughput: 1129.39fps      # 模型帧率

    命令行参数说明

    fps.sh脚本内容如下：

    #!/bin/sh

source ../../env.sh
export SHOW_FPS_LOG=1
export STAT_CYCLE=100                             # 设置环境变量，FPS 统计周期

${app} \
  --config_file=workflow_fps.json \
  --log_level=1

    latency.sh脚本内容如下：

    #!/bin/sh

source ../../env.sh
export SHOW_LATENCY_LOG=1                         # 设置环境变量，打印 LATENCY 级别log
export STAT_CYCLE=50                              # 设置环境变量，LATENCY 统计周期

${app} \
  --config_file=workflow_latency.json \
  --log_level=1

    结果可视化

    如果您希望可以看到模型单次推理出来效果，可以修改workflow_latency.json，重新运行latency.sh脚本，即可在output_dir目录下生成展示效果。

    注意

    生成展示效果时，由于dump效果的原因，脚本运行会变慢。仅支持运行latency.sh脚本dump。

    可视化操作步骤 参考如下：

    1. 修改workflow_latency.json配置文件

      "output_config": {
  "output_type": "image",
  "enable_view_output": true,                         # 开启可视化
  "view_output_dir": "./output_dir",                  # 可视化结果输出路径
  "image_list_enable": true,
  "in_order": false
}

    2. 执行latency.sh脚本

      sh latency.sh
    注意

    bev模型可视化需要指定场景信息和homography矩阵路径，homography矩阵用于相机视角和鸟瞰图的转换，不同场景有各自的homography矩阵。在线建图模型可视化需要指定下对应的局部地图的感知范围。

    bev模型的workflow_latency.json配置文件我们建议修改成如下形式：

    "output_config": {
  "output_type": "image",
  "enable_view_output": true,                            # 开启可视化
  "view_output_dir": "./output_dir",                     # 可视化结果输出路径
  "bev_ego2img_info": [
    "../../config/visible/bev/scenes.json",              # 输入的场景信息           
    "../../config/visible/bev/boston.bin",               # boston场景的homography矩阵
    "../../config/visible/bev/singapore.bin"             # singapore场景的homography矩阵
  ],
  "image_list_enable": true,
  "in_order": false
}

    在线建图模型的workflow_latency.json配置文件我们建议修改成如下形式：

    "output_config": {
  "output_type": "image",
  "enable_view_output": true,                            # 开启可视化
  "view_output_dir": "./output_dir",                     # 可视化结果输出路径
  "bev_range": [
    -30.0,          
    -15.0,
    -10.0,
    30.0,
    15.0,
    10.0
  ],                                                     # 局部地图的感知范围
  "image_list_enable": true,
  "in_order": false
}
    注意

    qcnet模型可视化和精度评测集成在一起;

    qcnet模型可视化方法如下：

    python3 tools/bpu_validation.py
                         -c                   configs/qcnet_oe_argoverse2.py   # qcnet对应config文件
                         --result-path        eval.log                 # 推理结果eval.log文件路径（可视化存储路径）
                         --gt-files-path      argoverse2_qcnet/val     # data数据集挂载路径

    不同类别的模型可以实现的 可视化效果 也不相同，参考下表：

    模型类别可视化效果
    分类image
    2d检测image
    3d检测image
    分割image
    雷达image
    bev

    image

    image

    image

    image

    image

    image

    image

    image

    轨迹预测image
    在线建图image
    occ预测image
    注意

    轨迹预测可视化时如果需要可视化minidata以外的图片，需要额外配置道路信息、轨迹信息文件到 minidata/argoverse1/visualization 中，生成配置文件可使用 densetnt_process.py 预处理脚本，将 --is-gen-visual-config 参数设为 true。

    精度评测

    ​模型评测分为五步：

    1. 数据预处理。

    2. 数据挂载。

    3. 生成lst文件。

    4. 模型推理。

    5. 精度计算。

    数据预处理

    下文将分别对PTQ和QAT模型数据预处理方式进行介绍。

    PTQ模型数据预处理：

    PTQ模型数据预处理需要在x86仿真环境下运行 hb_eval_preprocess 工具，对数据集进行预处理。 所谓预处理是指数据在送入模型之前的特定处理操作，比如：图片resize、crop和padding等操作。 该工具集成于 horizon_tc_ui 工具内，安装对应的install脚本即可使用该工具。 原始数据集经过工具预处理之后，会生成模型对应的前处理二进制文件.bin文件集。

    小技巧

    关于 hb_eval_preprocess 工具命令行参数及使用方法，可键入 hb_eval_preprocess -h， 或查看PTQ工具文档中的 hb_eval_preprocess工具 一节内容。

    下面将详细介绍示例包中每一个模型对应的数据集，以及对应数据集的预处理操作。

    PTQ模型使用到的数据集包括以下几种：

    数据集说明

    VOC

    数据集

    用于使用 VOC2012 数据集的检测模型的评测。

    1. 下载及参考下载结构可参考 如何准备数据集 章节。 示例中主要用到 Main 文件下的val.txt文件，JPEGImages 中的源图片和 Annotations 中的标注数据。

    2. 数据集预处理方式示例：

    hb_eval_preprocess -m ssd_mobilenetv1 \
                   -i VOCdevkit/VOC2012/JPEGImages \
                   -v VOCdevkit/VOC2012/ImageSets/Main/val.txt \
                   -o ./pre_ssd_mobilenetv1

    COCO

    数据集

    用于使用 coco_val2017 数据集的检测模型的评测。

    1. 下载及参考下载结构可参考 如何准备数据集 章节。 示例中主要用到 annotations 文件夹下的instances_val2017.json标注文件和 images 中的图片。

    2. 数据集预处理方式示例：

    hb_eval_preprocess -m model_name \
                   -i coco/coco_val2017/images \
                   -o ./pre_model_name

    ImageNet

    数据集

    用于使用 imagenet 数据集的分类模型的评测。

    1. 下载及参考下载结构可参考 如何准备数据集 章节。 示例中主要用到标注文件val.txt 和 val 目录中的源图片。

    2. 数据集预处理方式示例：

    hb_eval_preprocess -m model_name \
                   -i imagenet/val \
                   -o ./pre_model_name

    Cityscapes

    数据集

    用于使用 cityscapes 数据集的分割模型的评测。

    1. 下载及参考下载结构可参考 如何准备数据集 章节。 示例中主要用到 ./gtFine/val 中的标注文件和 ./leftImg8bit/val 中的源图片。

    2. 数据集预处理方式示例：

    hb_eval_preprocess -m model_name \
                   -i cityscapes/leftImg8bit/val \
                   -o ./pre_model_name

    QAT模型数据预处理：

    HAT 提供了处理lmdb格式的打包数据集的脚本，下面将详细介绍示例包中模型对应的数据集，以及其预处理操作。

    小技巧

    数据预处理的脚本位于oe包/samples/ai_toolchain/horizon_model_train_sample/scripts路径下。 需要在gpu环境下跑数据预处理脚本。 使用前请先把原始数据集打包成lmdb数据，然后挂载到当前路径的tmp_data目录下。

    数据集说明

    ImageNet

    数据集

    用于QAT分类模型mixvargenet_imagenet、resnet50_imagenet。

    数据集预处理方式：

    1. 运行脚本后会在save-path路径下生成一个 imagenet_gt.jsonl 文件作为真实标签用于精度计算。

    2. 这些模型数据预处理逻辑一致，因此运行一次脚本后，其它模型可以复用生成的数据。

    • mixvargenet_imagenet

      python3 tools/bpu_val_preprocess.py \
            -c configs/classification/mixvargenet_imagenet.py \
            --save-path ./data/imagenet/

    • resnet50_imagenet

      python3 tools/bpu_val_preprocess.py \
            -c configs/classification/resnet50_imagenet.py \
            --save-path ./data/imagenet/

    COCO

    数据集

    用于QAT检测模型deform_detr_resnet50_mscoco的评测。

    数据集预处理方式：

    运行脚本后会在save-path路径下生成一个 meta.jsonl 文件作为真实标签用于精度计算。

    因此运行一次脚本后，另一个模型可以复用生成的数据。

    • deform_detr_resnet50_mscoco

      python3 tools/bpu_val_preprocess.py \
            -c configs/detection/deform_detr/deform_detr_resnet50_mscoco.py \
            --save-path ./data/coco/

    Cityscapes

    数据集

    用于QAT分割模型unet_mobilenetv1_cityscapes的评测。

    数据集预处理方式：

    运行脚本后会在save-path路径下生成一个 gts 的目录作为真实标签用于精度计算。

    python3 tools/bpu_val_preprocess.py \
            -c configs/segmentation/unet_mobilenetv1_cityscapes.py \
             --save-path ./data/cityscapes/

    Kitti3D

    数据集

    用于QAT检测模型pointpillars_kitti_car的评测。

    数据集预处理方式：

    运行脚本后会在save-path路径下生成一个 val_gt_infos.pkl 文件作为真实标签用于精度计算。

    python3 tools/bpu_val_preprocess.py \
            -c configs/detection/pointpillars/pointpillars_kitti_car.py \
            --save-path ./data/kitti3d/

    Culane

    数据集

    用于QAT检测模型ganet_mixvargenet_culane的评测。

    数据集预处理方式：

    运行脚本后会在save-path路径下生成一个 gt.json 文件作为真实标签用于精度计算。

    python3 tools/bpu_val_preprocess.py \
            -c configs/lane_pred/ganet/ganet_mixvargenet_culane.py \
            --save-path ./data/culane/

    Nuscenes

    数据集

    用于QAT检测模型fcos3d_efficientnetb0_nuscenes，centerpoint_pointpillar_nuscenes，

    bev模型bev_lss_efficientnetb0_multitask_nuscenes，bevformer_tiny_resnet50_detection_nuscenes，detr3d_efficientnetb3_nuscenes，

    petr_efficientnetb3_nuscenes，在线建图模型maptroe_henet_tinym_bevformer_nuscenes和occ模型flashocc_henet_lss_occ3d_nuscenes的评测。

    数据集预处理方式：

    1. flashocc_henet_lss_occ3d_nuscenes、bevformer_tiny_resnet50_detection_nuscenes、bev_lss_efficientnetb0_multitask_nuscenes、

    petr_efficientnetb3_nuscenes、detr3d_efficientnetb3_nuscenes、centerpoint_mixvargnet_multitask_nuscenes

    这几个模型运行脚本后会在save-path路径下生成一个 val_gt_infos.pkl 文件用于精度计算。

    2. maptroe_henet_tinym_bevformer_nuscenes这个模型运行脚本后会在save-path路径下生成一个 nuscenes_map_anns_val.json 文件

    作为真实标签用于精度计算。

    3. 根据参考模型算法包中的README，下载对应模型的reference_points并放在./tmp_data/nuscenes/reference_points下，组织形式如下：

    ├─── tmp_data
├─── ├───  nuscenes                                                                    
├─── ├───  ├───    reference_points                                                    
├─── ├───  ├───    ├───          bevformer_tiny_resnet50_detection_nuscenes

    • centerpoint_pointpillar_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/detection/centerpoint/centerpoint_pointpillar_nuscenes.py \
            --save-path ./data/nuscenes/

    • flashocc_henet_lss_occ3d_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/occ/flashocc_henet_lss_occ3d_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args --reference_path ./tmp_data/nuscenes/reference_points/ \
            --model "flashocc_henet_lss_occ3d_nuscenes"

    • bevformer_tiny_resnet50_detection_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/bev/bevformer_tiny_resnet50_detection_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args --reference_path ./tmp_data/nuscenes/reference_points/ \
            --model "bevformer_tiny_resnet50_detection_nuscenes"

    • bev_lss_efficientnetb0_multitask_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/bev/bev_lss_efficientnetb0_multitask_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args --reference_path ./tmp_data/nuscenes/reference_points/ \
            --model "bev_lss_efficientnetb0_multitask_nuscenes"

    • petr_efficientnetb3_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/bev/petr_efficientnetb3_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args --reference_path ./tmp_data/nuscenes/reference_points/ \
            --model "petr_efficientnetb3_nuscenes"

    • detr3d_efficientnetb3_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/bev/detr3d_efficientnetb3_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args --reference_path ./tmp_data/nuscenes/reference_points/ \
            --model "detr3d_efficientnetb3_nuscenes"

    • fcos3d_efficientnetb0_nuscenes

      python3 tools/bpu_val_preprocess.py \
  -c configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py \
  --save-path ./data/nuscenes/ \
  --extra-args \
  --file_path_txt ucp_tutorial/dnn/ai_benchmark/j6/qat/script/config/model/data_name_list/nuscenes_names.txt

    • maptroe_henet_tinym_bevformer_nuscenes

      python3 tools/bpu_val_preprocess.py \
            -c configs/map/maptroe_henet_tinym_bevformer_nuscenes.py \
            --save-path ./data/nuscenes/ \
            --extra-args  --model maptroe_henet_tinym_bevformer_nuscenes \
            --reference_path ucp_tutorial/dnn/ai_benchmark/j6/qat/script/config/reference_points

    Mot17

    数据集

    用于QAT多目标跟踪模型motr_efficientnetb3_mot17的评测。

    数据集预处理方式：

    python3 tools/bpu_val_preprocess.py \
            -c configs/track_pred/motr_efficientnetb3_mot17.py \
            --save-path ./data/mot17/

    Argoverse2

    数据集

    用于QAT检测模型qcnet_oe_argoverse2的评测。

    数据集预处理方式：

    运行脚本后会在save-path路径下生成相应的评测val目录。

    python3 tools/bpu_val_preprocess.py \
            -c configs/traj_pred/qcnet_oe_argoverse2.py \
            --save-path ./data/argoverse2/

    数据挂载

    由于数据集相对较大，不适合直接放在开发板上，可以采用挂载的方式供开发板读取，需要在服务器PC端和板端进行如下操作：

    服务器PC端：

    注意

    请注意，执行下方操作需要服务器PC端root权限。

    1. 编辑 /etc/exports，增加一行：/nfs *(insecure,rw,sync,all_squash,anonuid=1000,anongid=1000,no_subtree_check)。/nfs 表示本机挂载路径，可替换为您所指定目录。

    2. 执行命令 exportfs -a -r，使/etc/exports生效。

    板端：

    1. 创建需要挂载的目录： mkdir -p /mnt。

    2. 挂载： mount -t nfs {PC端IP}:/nfs /mnt -o nolock。

    完成将PC端的 /nfs 文件夹挂载至板端 /mnt 文件夹。按照此方式，将包含预处理数据的文件夹挂载至板端， 并将 /data 目录软链接至板端 /ptq 或 /qat 目录下，与 /script 同级目录。

    生成lst文件

    示例中精度计算脚本的运行流程是：

    1. 根据 workflow_accurary.json 中的 image_list_file 参数值，去寻找对应数据集的 lst 文件。

    2. 根据 lst 文件存储的前处理文件路径信息，去加载每一个前处理文件，然后进行推理。

    因此生成预处理文件之后，需要生成对应的lst文件，将每一张前处理文件的路径写入到lst文件中，而这个路径与数据集在板端的存放位置有关。 这里我们推荐其存放位置与 ./data/dataset_name/pre_model_name 预处理数据文件夹同级目录。

    PTQ预处理数据集结构如下：

    |── ptq
|   |── data
|   |   |── cityscapes
|   |   |   |── pre_deeplabv3plus_efficientnetb0
|   |   |   |   |── xxxx.bin                            # 前处理好的二进制文件
|   |   |   |   |── ....
|   |   |   |── pre_deeplabv3plus_efficientnetb0.lst    # lst文件：记录每一个前处理文件的路径
|   |   |   |── ....
|   |   |── ....
|   |── model
|   |   |── ...
|   |── script
|   |   |── ...

    QAT预处理数据集结构如下：

    |── qat
|   |── data
|   |   |── carfusion
|   |   |   |── pre_keypoints
|   |   |   |   |── xxxx                   # 前处理好的数据
|   |   |   |   |── ....
|   |   |   |── pre_carfusion.lst          # lst文件：记录每一个前处理文件的路径
|   |   |── ....
|   |── model
|   |   |── ...
|   |── script
|   |   |── ...

    对应的lst文件，参考生成方式如下：

    除bev系列、motr_efficientnetb3_mot17、maptroe_henet_tinym_bevformer_nuscenes和qcnet_oe_argoverse2模型外，其余模型的lst文件参考生成方式：

    find ../../../data/coco/pre_centernet_resnet101 -name "*bin*" > ../../../data/coco/pre_centernet_resnet101.lst
    注解

    -name后的参数需要根据预处理后的数据集格式进行对应调整，如bin、png。

    这样生成的lst文件中存储的路径为一个相对路径：../../../data/coco/pre_centernet_resnet101/ ， 可以与 workflow_accuracy.json 默认的配置路径吻合。

    如果需要更改前处理数据集的存放位置，则需要确保对应的 lst 文件可以被 workflow_accuracy.json 读取到。 其次需要确保程序根据 lst 中的路径信息，能读取到对应的前处理文件。

    对于bev系列、motr_efficientnetb3_mot17、maptroe_henet_tinym_bevformer_nuscenes、和qcnet_oe_argoverse2模型，lst文件参考生成方式：

    模型名lst文件参考生成方式及说明
    qcnet_oe_argoverse2

    我们提供了专门的脚本generate_acc_lst.sh 用于生成lst文件，使用方式如下：

    sh generate_acc_lst.sh  ../../../data/argoverse2_qcnet/fp32_sample/val \
                        ../../../data/argoverse2_qcnet

    该脚本需要输入两个参数：预处理好的data挂载路径 和 生成list的输出路径，这样生成的lst文件中存储的路径为一个相对路径： ../../../data/argoverse2_qcnet/ ，可以与 workflow_accuracy.json 默认的配置路径吻合。

    Bev

    maptroe_henet_tinym_bevformer_nuscenes

    以bev_ipm_efficientnetb0_multitask_nuscenes模型为例，该模型有图像和参考点两种输入，同一帧输入的图片和参考点名称相同。 为了保证输入相对应，在执行 find 命令时需要添加 sort 按名称进行排序。maptroe_henet_tinym_bevformer_nuscenes生成方式与之相同。参考生成方式：

    find ../../../data/nuscenes_bev/images -name "*bin*" | \
     sort > ../../../data/nuscenes_bev/images.lst
find ../../../data/nuscenes_bev/reference_points0 -name "*bin*" | \
     sort > ../../../data/nuscenes_bev/reference_points0.lst

    此外，bev_ipm_4d_efficientnetb0_multitask_nuscenes和bevformer_tiny_resnet50_detection_nuscenes是时序模型，该模型对输入顺序有要求。 因此，我们提供了专门的脚本 gen_file_list.sh 用于生成lst文件，使用方式如下：

    sh gen_file_list.sh

    这样生成的lst文件中存储的路径为一个相对路径：../../../data/nuscenes_bev/ ，可以与 workflow_accuracy.json 默认的配置路径吻合。 如果需要更改前处理数据集的存放位置，则需要确保对应的 lst 文件可以被 workflow_accuracy.json 读取到。 其次需要确保程序根据 lst 中的路径信息，能读取到对应的前处理文件。

    motr_efficientnetb3_mot17

    参考生成方式：

    sh generate_acc_lst.sh

    这样生成的lst文件中存储的路径为一个相对路径：../../../data/mot17/motr/ ，可以与 workflow_accuracy.json 默认的配置路径吻合。 如果需要更改前处理数据集的存放位置，则需要确保对应的 lst 文件可以被 workflow_accuracy.json 读取到。 其次需要确保程序根据 lst 中的路径信息，能读取到对应的前处理文件。

    模型推理

    accuracy.sh脚本内容中各参数说明如下：

    #!/bin/sh

source ../../env.sh                              # 加载基础配置
export SHOW_FPS_LOG=1                            # 设置环境变量，打印fps级别log

${app} \                                         # 可执行程序，在accuracy.sh脚本中定义
  --config_file=workflow_accuracy.json \         # 加载精度测试workflow配置文件
  --log_level=2                                  # 设置log等级

    挂载完数据后，登录开发板，执行 centernet_resnet101/ 目录下的accuracy.sh脚本，如下所示：

    root@j6dvb-hynix8G:/userdata/ptq/script/detection/centernet_resnet101# sh accuracy.sh
../../aarch64/bin/example --config_file=workflow_accuracy.json --log_level=2
...
I0419 03:14:51.158655 39555 infer_method.cc:107] Predict DoProcess finished.
I0419 03:14:51.187361 39556 ptq_centernet_post_process_method.cc:558] PTQCenternetPostProcessMethod DoProcess finished, predict result: [{"bbox":[-1.518860,71.691170,574.934631,638.294922],"prob":0.750647,"label":21,"className_name":"
I0118 14:02:43.636204 24782 ptq_centernet_post_process_method.cc:558] PTQCenternetPostProcessMethod DoProcess finished, predict result: [{"bbox":[3.432283,164.936249,157.480042,264.276825],"prob":0.544454,"label":62,"className_name":"
...

    板端程序会在当前目录生成eval.log文件，该文件就是预测结果文件。

    精度计算

    注意

    请注意，精度计算部分需在docker环境或linux环境下进行操作。

    精度计算我们按照PTQ模型精度和QAT模型精度计算两种情况为您展开介绍。

    PTQ模型精度计算：

    PTQ模型精度计算的脚本在 ptq/tools/python_tools/accuracy_tools 目录下，其中：

    脚本描述
    cls_imagenet_eval.py用于计算使用 ImageNet 数据集评测的分类模型的精度。
    det_coco_eval.py用于计算使用COCO数据集评测的检测模型的精度。
    seg_cityscapes_eval.py用于计算使用Cityscapes数据集评测的分割模型的精度。
    det_voc_eval.py用于计算使用VOC数据集评测的检测模型的精度。

    以下为您说明不同类型的PTQ模型精度计算方式：

    模型类型精度计算方式说明
    分类模型

    使用ImageNet数据集的分类模型计算方式如下：

    python3 cls_imagenet_eval.py --eval-log-path=eval.log \
                             --gt-file=val.txt

    其中：

    • eval-log-path：分类模型的预测结果文件。
    • gt-file：ImageNet数据集的标注文件。
    检测模型

    1.使用COCO数据集的检测模型精度计算方式如下：

    python3 det_coco_eval.py --eval-log-path=eval.log \
                         --annotation-path=instances_val2017.json

    其中：

    • eval-log-path：检测模型的预测结果文件。
    • annotation-path：COCO数据集的标注文件。

    2.使用VOC数据集的检测模型精度计算方式如下：

    python3 det_voc_eval.py --eval-log-path=eval.log \
                        --annotation-path=../Annotations \
                        --val-txt-path=../val.txt

    其中：

    • eval-log-path：检测模型的预测结果文件。
    • annotation-path：VOC数据集的标注文件。
    • val-txt-path：VOC数据集中ImageSets/Main文件夹下的val.txt文件。
    分割模型

    使用Cityscapes数据集的分割模型精度计算方式如下：

    python3 seg_cityscapes_eval.py --eval-log-path=eval.log \
                               --gt-path=cityscapes/gtFine/val

    其中：

    • eval-log-path：分割模型的预测结果文件。
    • gt-path：Cityscapes数据集的标注文件。

    QAT模型精度计算：

    小技巧

    精度计算的脚本位于oe包/samples/ai_toolchain/horizon_model_train_sample/scripts路径下。 需要在gpu环境下跑精度计算脚本。

    以下为您说明不同类型的QAT模型精度计算方式：

    数据集精度计算方式说明

    ImageNet

    数据集

    • resnet50_imagenet

      python3 tools/bpu_validation.py \
            -c configs/classification/resnet50_imagenet.py \
            --result-path eval.log \
            --gt-files-path ./data/imagenet/resnet50_imagenet/imagenet_gt.jsonl

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path：ImageNet数据集的标注文件。

    COCO

    数据集

    • deform_detr_resnet50_mscoco

      python3 tools/bpu_validation.py \
            -c configs/detection/deform_detr/deform_detr_resnet50_mscoco.py \
            --result-path eval.log \
            --gt-files-path ./data/coco/deform_detr_resnet50_mscoco/meta.json

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path：COCO数据集的标注文件。

    Cityscapes

    数据集

    python3 tools/bpu_validation.py \
            -c configs/segmentation/unet_mobilenetv1_cityscapes.py \
            --result-path eval.log \
            --gt-files-path ./data/cityscapes/unet_mobilenetv1_cityscapes/gts/

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path：存放Cityscapes数据集标注的目录。

    Kitti3D

    数据集

    python3 tools/bpu_validation.py \
            -c configs/detection/pointpillars/pointpillars_kitti_car.py \
            --result-path eval.log \
            --gt-files-path ./data/kitti3d/pointpillars_kitti_car/gt/val_gt_infos.pkl

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path：Kitti3D数据集的标注文件。

    Nuscenes

    数据集

    • centerpoint_pointpillar_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/detection/centerpoint/centerpoint_pointpillar_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/centerpoint_pointpillar_nuscenes/val_gt_infos.pkl \
            --extra-args --meta_dir     ./tmp_ori_data/nuscenes

    • flashocc_henet_lss_occ3d_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/occ/flashocc_henet_lss_occ3d_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/flashocc_henet_lss_occ3d_nuscenes/val_gt_infos.pkl

    • bevformer_tiny_resnet50_detection_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/bev/bevformer_tiny_resnet50_detection_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/bevformer_tiny_resnet50_detection_nuscenes/val_gt_infos.pkl

    • bev_lss_efficientnetb0_multitask_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/bev/bev_lss_efficientnetb0_multitask_nuscenes.py \
            --result-path bev_det_eval.log bev_seg_eval.log \
            --gt-files-path ./data/nuscenes/bev_lss_efficientnetb0_multitask_nuscenes/val_gt_infos.pkl

    • petr_efficientnetb3_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/bev/petr_efficientnetb3_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/petr_efficientnetb3_nuscenes/val_gt_infos.pkl

    • detr3d_efficientnetb3_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/bev/detr3d_efficientnetb3_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/detr3d_efficientnetb3_nuscenes/val_gt_infos.pkl

    • fcos3d_efficientnetb0_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/detection/fcos3d/fcos3d_efficientnetb0_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./tmp_data/nuscenes/v1.0-trainval

    • maptroe_henet_tinym_bevformer_nuscenes

      python3 tools/bpu_validation.py \
            -c configs/map/maptroe_henet_tinym_bevformer_nuscenes.py \
            --result-path eval.log \
            --gt-files-path ./data/nuscenes/maptroe_henet_tinym_bevformer_nuscenes/nuscenes_map_anns_val.json

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path： nuscenes数据集的标注文件。

    Mot17

    数据集

    python3 tools/bpu_validation.py \
            -c configs/track_pred/motr_efficientnetb3_mot17.py \
            --result-path ./eval_log/ \
            --gt-files-path ./tmp_data/mot17/test_gt/

    其中：

    • result-path：目录下存放了模型的预测结果文件。
    • gt-files-path： 目录下存放了Mot17数据集的标注文件。

    Argoverse2

    数据集

    python3 tools/bpu_validation.py \
            -c configs/traj_pred/qcnet_oe_argoverse2.py \
            --result-path eval.log \
            --gt-files-path ./data/argoverse2/qcnet_oe_argoverse2/val

    其中：

    • result-path：模型的预测结果文件。
    • gt-files-path： 目录下存放了Argoverse2数据集的标注文件。

    模型集成

    前处理

    您可根据需要自行添加模型前处理，将其部署到 CPU 或 DSP 上，以centerpoint_pointpillar_nuscenes为例：

    1. 增加前处理文件qat_centerpoint_preprocess_method.cc，以及头文件qat_centerpoint_preprocess_method.h。

    2. 增加模型前处理配置文件。

    前处理文件及头文件添加

    前处理文件 qat_centerpoint_preprocess_method.cc 放置于 ai_benchmark/code/src/method/ 路径下， 头文件 qat_centerpoint_preprocess_method.h 放置于 ai_benchmark/code/include/method/ 路径下：

    |── ai_benchmark
|  |── code                                                 # 示例源码
|  |  |── include
|  |  |  |── method                                         # 在此文件夹中添加头文件
|  |  |  |  |── qat_centerpoint_preprocess_method.h
|  |  |  |  |── ...
|  |  |── src
|  |  |  |── method                                         # 在此文件夹中添加前处理.cc文件
|  |  |  |  |── qat_centerpoint_preprocess_method.cc
|  |  |  |  |── ...

    模型前处理配置文件添加

    |── ai_benchmark
|  |── j6/qat/script                                       # 示例脚本文件夹
|  |  |── config
|  |  |  |── preprocess
|  |  |  |  |── centerpoint_preprocess_5dim.json           # 前处理配置脚本

    centerpoint_pointpillar_nuscenes的前处理可以部署到 CPU 或 DSP 上，这取决于配置文件 centerpoint_pointpillar_5dim.json 中是否配置对应参数 run_on_dsp。 如果配置文件中的 run_on_dsp 设置为 true ，那么前处理将在 DSP 上运行，否则它在 CPU 上运行。

    前处理单帧延时评测

    执行 sh latency.sh 脚本可对前处理的单帧延迟情况进行测试。如下所示：

    I0807 15:21:15.665417 21457 output_plugin.cc:95]  Pre process latency: [avg:  11.338ms,  max:  14.744ms,  min:  8.200ms], Infer latency:  [avg:  49.327ms,  max:  51.065ms,  min:  48.409ms], Post process latency: [avg:  9.681ms,  max:  9.886ms,  min:  9.544ms].

    其中：

    • Pre process 表示前处理耗时。
    • Infer 表示模型推理耗时。
    • Post process 表示后处理耗时。

    后处理

    后处理集成主要有2个步骤，以CenterNet模型集成为例：

    1. 增加后处理文件ptq_centernet_post_process_method.cc，以及头文件ptq_centernet_post_process_method.h。

    2. 增加模型运行脚本及配置文件。

    后处理文件及头文件添加

    后处理代码文件可直接复用src/method目录下任意后处理文件，主要修改 InitFromJsonString 函数，以及 PostProcess 函数即可。

    InitFromJsonString 函数主要是读取workflow.json中的后处理相关的参数配置，您可自定义设置相应的输入参数。 PostProcess 函数主要完成后处理的逻辑。

    后处理文件 ptq_centernet_post_process_method.cc 放置于 ai_benchmark/code/src/method/ 路径下，头文件 ptq_centernet_post_process_method.h 放置于 ai_benchmark/code/include/method/ 路径下：

    |── ai_benchmark
|  |── code                                                 # 示例源码
|  |  |── include
|  |  |  |── method                                         # 在此文件夹中添加头文件
|  |  |  |  |── ptq_centernet_post_process_method.h
|  |  |  |  |── ...
|  |  |── src
|  |  |  |── method                                         # 在此文件夹中添加后处理.cc文件
|  |  |  |  |── ptq_centernet_post_process_method.cc
|  |  |  |  |── ...

    模型运行脚本及配置文件添加

    模型运行脚本及配置文件完成添加后的目录结构参考如下：

    • centerpoint_pointpillar_nuscenes模型：

      |── ai_benchmark
|  |── j6/qat/script                                       # 示例脚本文件夹
|  |  |── detection
|  |  |  |── centerpoint_pointpillar_nuscenes
|  |  |  |  |── accuracy.sh                                # 精度测试脚本
|  |  |  |  |── fps.sh                                     # 性能测试脚本
|  |  |  |  |── latency.sh                                 # 单帧延时示例脚本
|  |  |  |  |── README.md                                  # DSP部署详细说明
|  |  |  |  |── workflow_accuracy                          # 精度配置文件夹
|  |  |  |  |── workflow_fps.json                          # 性能配置文件
|  |  |  |  |── workflow_latency.json                      # 单帧延时配置文件

    如需在 DSP 上部署，需要执行 dsp_deploy.sh 脚本部署 DSP 环境，详细介绍请参考该示例文件夹下的 README.md 中的介绍。

    • motr_efficientnetb3_mot17模型：

      |── ai_benchmark
|  |── j6/qat/script                                       # 示例脚本文件夹
|  |  |── tracking
|  |  |  |── motr_efficientnetb3_mot17
|  |  |  |  |── accuracy.sh                                # 精度测试脚本
|  |  |  |  |── fps.sh                                     # 性能测试脚本
|  |  |  |  |── generate_acc_lst.sh                        # 生成精度lst脚本
|  |  |  |  |── latency.sh                                 # 单帧延时示例脚本
|  |  |  |  |── workflow_accuracy                          # 精度配置文件夹
|  |  |  |  |── workflow_fps.json                          # 性能配置文件
|  |  |  |  |── workflow_latency.json                      # 单帧延时配置文件

    • 除centerpoint_pointpillar_nuscenes模型及motr_efficientnetb3_mot17外其他模型：

      |── ai_benchmark
|  |── j6/ptq/script                                       # 示例脚本文件夹
|  |  |── detection
|  |  |  |── centernet_resnet101
|  |  |  |  |── accuracy.sh                                # 精度测试脚本
|  |  |  |  |── fps.sh                                     # 性能测试脚本
|  |  |  |  |── latency.sh                                 # 单帧延时示例脚本
|  |  |  |  |── workflow_accuracy.json                     # 精度配置文件
|  |  |  |  |── workflow_fps.json                          # 性能配置文件
|  |  |  |  |── workflow_latency.json                      # 单帧延时配置文件

    辅助工具

    日志

    ​日志主要包括 示例日志 和 DNN日志 两部分。 其中示例日志是指交付包示例代码中所应用的日志，DNN日志是指嵌入式runtime库中的日志。 根据不同的需求可以设置不同的日志。

    示例日志

    1. 日志级别

    示例日志主要采用glog中的vlog，主要分为四个自定义级别：

    • 0：SYSTEM级别，该级别日志主要用于输出报错信息。
    • 1：REPORT级别，该级别日志在示例代码中主要用于输出性能数据。
    • 2：DETAIL级别，该级别日志在示例代码中主要用于输出系统当前状态信息。
    • 3：DEBUG级别，该级别日志在示例代码中主要用于输出调试信息。
    1. 日志级别设置

    日志处理机制说明：日志级别等级由高到低默认顺序为DEBUG>DETAIL>REPORT>SYSTEM，级别越高，输出日志越多。 即设置高等级，则会输出自身及低于自身等级的日志。

    在运行示例时，日志级别需要通过 log_level 参数来进行设置。 例如，指定 log_level=0，则会输出SYSTEM级别日志。指定 log_level=3，则会输出DEBUG、DETAIL、REPORT及SYSTEM级别日志。

    dnn 日志

    关于 dnn 日志的配置，请阅读 环境变量 一节内容。

    算子耗时

    概述

    对OP性能的统计是通过设置 HB_DNN_PROFILER_LOG_PATH 环境变量实现的。对该变量的类型和取值说明如下：

    HB_DNN_PROFILER_LOG_PATH=${path}：表示OP节点dump的输出路径，程序正常运行完退出后，产生profiler.log文件。

    示例

    以mobilenetv1模型为例，开启单线程同时RunModel，设置 export HB_DNN_PROFILER_LOG_PATH=./，则profiler.log文件中会输出OP的性能数据。 其中包含 model_latency 和 task_latency，model_latency中输出了模型每个OP运行所需要的耗时情况，task_latency中输出了模型运行中各个task模块的耗时情况。

    dump工具

    ​通过开启 HB_DNN_DUMP_PATH 这个环境变量可以dump出模型推理过程中每个节点的输入和输出。 通过dump工具，可以排查模拟器和真机是否存在一致性问题：即相同模型，相同输入，真机和模拟器的输出结果是否完全相同。