Skip to content

Latest commit

 

History

History
executable file
·
315 lines (270 loc) · 25.7 KB

README.md

File metadata and controls

executable file
·
315 lines (270 loc) · 25.7 KB
Raw

简体中文 | English

YOLOv5

目录

1. 简介

​YOLOv5是非常经典的基于anchor的One Stage目标检测算法，因其优秀的精度和速度表现，在工程实践应用中获得了非常广泛的应用。本例程对​YOLOv5官方开源仓库v6.1版本的模型和算法进行移植，使之能在SOPHON BM1684\BM1684X\BM1688上进行推理测试。

2. 特性

  • 支持BM1688(SoC)、BM1684X(x86 PCIe、SoC)、BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1684X/BM1688)、INT8模型编译和推理
  • 支持基于BMCV预处理的C++推理
  • 支持基于OpenCV和BMCV预处理的Python推理
  • 支持单batch和多batch模型推理
  • 支持1个输出和3个输出模型推理
  • 支持图片和视频测试
  • 支持NMS后处理加速

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，Pytorch模型在编译前要导出成onnx模型，如果您使用的tpu-mlir版本>=v1.3.0（即官网v23.07.01），可以直接使用torchscript模型。具体可参考YOLOv5模型导出。

​同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。

​本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

下载的模型包括：

./models
├── BM1684
│   ├── yolov5s_v6.1_3output_fp32_1b.bmodel   # 使用TPU-NNTC编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_int8_1b.bmodel   # 使用TPU-NNTC编译，用于BM1684的INT8 BModel，batch_size=1
│   └── yolov5s_v6.1_3output_int8_4b.bmodel   # 使用TPU-NNTC编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── yolov5s_v6.1_3output_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── yolov5s_v6.1_3output_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── BM1688
│   ├── yolov5s_v6.1_3output_fp16_1b.bmodel       # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_fp32_1b.bmodel       # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_int8_1b.bmodel       # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_int8_4b.bmodel       # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1
│   ├── yolov5s_v6.1_3output_fp16_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│   ├── yolov5s_v6.1_3output_fp32_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│   ├── yolov5s_v6.1_3output_int8_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│   └── yolov5s_v6.1_3output_int8_4b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=2
├── BM1684_ext                                # 相关单输出模型，此处没有benchmark，用户自行使用。
├── BM1684X_ext                               # 相关单输出模型，此处没有benchmark，用户自行使用。
│── torch
│   ├── yolov5m_v6.1_1output_torchscript.pt   # 相关单输出模型，此处没有benchmark，用户自行使用。
│   └── yolov5s_v6.1_3output.torchscript.pt   # trace后的torchscript模型
└── onnx
    ├── yolov5m_v6.1_1output_1b.onnx          # 相关单输出模型，此处没有benchmark，用户自行使用。
    ├── yolov5m_v6.1_1output_4b.onnx          # 相关单输出模型，此处没有benchmark，用户自行使用。
    └── yolov5s_v6.1_3output.onnx             # 导出的onnx动态模型

下载的数据包括：

./datasets
├── test                                      # 测试图片
├── test_car_person_1080P.mp4                 # 测试视频
├── coco.names                                # coco类别名文件
├── coco128                                   # coco128数据集，用于模型量化
└── coco                                      
    ├── val2017_1000                          # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
    └── instances_val2017_1000.json           # coco val2017_1000数据集标签文件，用于计算精度评价指标

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X/BM1688），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684 #bm1684x/bm1688

​执行上述命令会在models/BM1684等文件夹下生成yolov5s_v6.1_3output_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688

​执行上述命令会在models/BM1684X/等文件夹下生成yolov5s_v6.1_3output_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X/BM1688），如：

./scripts/gen_int8bmodel_mlir.sh bm1684 #bm1684x/bm1688

​上述脚本会在models/BM1684等文件夹下生成yolov5s_v6.1_3output_int8_1b.bmodel等文件，即转换好的INT8 BModel。

5. 例程测试

6. 精度测试

6.1 测试方法

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)和相关参数(conf_thresh=0.001、nms_thresh=0.6)。
然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：

# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/yolov5s_v6.1_3output_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

CPP设置--use_cpu_opt=false或python不设置--use_cpu_opt进行测试，在coco2017val_1000数据集上，精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
BM1684 PCIe yolov5_opencv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.377 0.580
BM1684 PCIe yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.344 0.553
BM1684 PCIe yolov5_bmcv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.373 0.573
BM1684 PCIe yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.337 0.544
BM1684 PCIe yolov5_bmcv.pcie yolov5s_v6.1_3output_fp32_1b.bmodel 0.375 0.572
BM1684 PCIe yolov5_bmcv.pcie yolov5s_v6.1_3output_int8_1b.bmodel 0.338 0.544
BM1684 PCIe yolov5_sail.pcie yolov5s_v6.1_3output_fp32_1b.bmodel 0.375 0.572
BM1684 PCIe yolov5_sail.pcie yolov5s_v6.1_3output_int8_1b.bmodel 0.338 0.544
BM1684X PCIe yolov5_opencv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.377 0.580
BM1684X PCIe yolov5_opencv.py yolov5s_v6.1_3output_fp16_1b.bmodel 0.377 0.580
BM1684X PCIe yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.363 0.572
BM1684X PCIe yolov5_bmcv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.373 0.573
BM1684X PCIe yolov5_bmcv.py yolov5s_v6.1_3output_fp16_1b.bmodel 0.373 0.573
BM1684X PCIe yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.356 0.563
BM1684X PCIe yolov5_bmcv.pcie yolov5s_v6.1_3output_fp32_1b.bmodel 0.374 0.572
BM1684X PCIe yolov5_bmcv.pcie yolov5s_v6.1_3output_fp16_1b.bmodel 0.374 0.572
BM1684X PCIe yolov5_bmcv.pcie yolov5s_v6.1_3output_int8_1b.bmodel 0.357 0.562
BM1684X PCIe yolov5_sail.pcie yolov5s_v6.1_3output_fp32_1b.bmodel 0.374 0.572
BM1684X PCIe yolov5_sail.pcie yolov5s_v6.1_3output_fp16_1b.bmodel 0.374 0.572
BM1684X PCIe yolov5_sail.pcie yolov5s_v6.1_3output_int8_1b.bmodel 0.357 0.562
BM1688 soc yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 0.374 0.573
BM1688 soc yolov5_bmcv.soc yolov5s_v6.1_3output_fp16_1b.bmodel 0.374 0.573
BM1688 soc yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 0.353 0.564
BM1688 soc yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 0.374 0.573
BM1688 soc yolov5_sail.soc yolov5s_v6.1_3output_fp16_1b.bmodel 0.374 0.573
BM1688 soc yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 0.353 0.564
BM1688 soc yolov5_opencv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.378 0.579
BM1688 soc yolov5_opencv.py yolov5s_v6.1_3output_fp16_1b.bmodel 0.377 0.579
BM1688 soc yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.358 0.571
BM1688 soc yolov5_bmcv.py yolov5s_v6.1_3output_fp32_1b.bmodel 0.374 0.573
BM1688 soc yolov5_bmcv.py yolov5s_v6.1_3output_fp16_1b.bmodel 0.374 0.573
BM1688 soc yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 0.356 0.565

测试说明：

  1. batch_size=4和batch_size=1的模型精度一致；
  2. 由于sdk版本之间可能存在差异，实际运行结果与本表有<1%的精度误差是正常的；

7. 性能测试

7.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/yolov5s_v6.1_3output_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试模型 calculate time(ms)
BM1684/yolov5s_v6.1_3output_fp32_1b.bmodel 22.6
BM1684/yolov5s_v6.1_3output_int8_1b.bmodel 11.5
BM1684/yolov5s_v6.1_3output_int8_4b.bmodel 6.4
BM1684X/yolov5s_v6.1_3output_fp32_1b.bmodel 20.8
BM1684X/yolov5s_v6.1_3output_fp16_1b.bmodel 7.2
BM1684X/yolov5s_v6.1_3output_int8_1b.bmodel 3.5
BM1684X/yolov5s_v6.1_3output_int8_4b.bmodel 3.3

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++例程打印的预处理时间、推理时间、后处理时间为整个batch处理的时间，需除以相应的batch size才是每张图片的处理时间。

CPP设置--use_cpu_opt=false或python不设置--use_cpu_opt进行测试，在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.5，nms_thresh=0.5，性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_fp32_1b.bmodel 14.0 27.8 33.5 115
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 13.9 23.5 33.5 111
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_4b.bmodel 13.8 24.2 28.2 115
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_fp32_1b.bmodel 3.0 3.0 28.5 111
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 3.0 2.4 17.4 111
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_4b.bmodel 2.8 2.3 11.5 115
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 5.4 1.5 22.6 35.6
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 5.4 1.5 11.5 33.8
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_4b.bmodel 5.2 1.6 6.2 33.1
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 3.3 3.1 23.3 34.6
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 3.3 1.9 12.2 33.9
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_4b.bmodel 3.1 1.8 6.9 33.2
BM1684X SoC yolov5_opencv.py yolov5s_v6.1_3output_fp32_1b.bmodel 15.0 22.4 32.0 104
BM1684X SoC yolov5_opencv.py yolov5s_v6.1_3output_fp16_1b.bmodel 15.0 22.4 18.5 104
BM1684X SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 15.0 22.4 14.2 104
BM1684X SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_4b.bmodel 14.9 23.1 14.5 108
BM1684X SoC yolov5_bmcv.py yolov5s_v6.1_3output_fp32_1b.bmodel 3.1 2.4 28.8 104
BM1684X SoC yolov5_bmcv.py yolov5s_v6.1_3output_fp16_1b.bmodel 3.1 2.4 15.5 104
BM1684X SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 3.1 2.4 10.9 104
BM1684X SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_4b.bmodel 2.9 2.3 9.8 109
BM1684X SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 4.6 0.7 20.6 35.4
BM1684X SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp16_1b.bmodel 4.6 0.7 7.1 35.4
BM1684X SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 4.6 0.7 3.4 34.3
BM1684X SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_4b.bmodel 4.4 0.7 3.2 34.0
BM1684X SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 2.9 2.6 21.6 33.6
BM1684X SoC yolov5_sail.soc yolov5s_v6.1_3output_fp16_1b.bmodel 2.9 2.6 8.1 33.6
BM1684X SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 2.9 2.6 4.3 32.4
BM1684X SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_4b.bmodel 2.6 2.6 4.0 32.0

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. BM1684/1684X SoC的主控处理器均为8核 ARM A53 42320 DMIPS @2.3GHz，PCIe上的性能由于处理器的不同可能存在较大差异；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。

8. YOLOv5 cpu opt

本部分基于上述YOLOv5，优化了YOLOv5后处理NMS算法。下面主要说明NMS后处理算法优化的内容和优化后性能精度结果。

8.1. NMS优化项

  • 提前噪声anchor的过滤，放在其他所有操作前，后续操作只需要处理数量显著减少的候选框
  • 通过设置新阈值来优化掉anchor过滤中大量的sigmoid计算
  • 优化存储减少数据遍历，在解码输出时仅仅保留候选框坐标、置信度、最高类别分数和对应索引
  • 增大conf_thresh的值，过滤更多的噪声框
  • 去除其他一些冗余计算

优化后NMS算法的时间瓶颈点在于模型输出的map大小，若尝试降低输出的map的高宽或通道数能够进一步降低NMS时间。

8.2. 性能与精度测试

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.001，nms_thresh=0.6，cpp设置--use_cpu_opt=true或python设置--use_cpu_opt，NMS后处理算法改进前后性能和精度测试结果如下：

测试平台 测试程序 测试模型 YOLOv5 postprocess_time YOLOv5_cpu_opt postprocess_time AP@IoU=0.5:0.95
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 35.6 22.9 0.375
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 33.8 20.5 0.339
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 34.6 21.1 0.375
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 33.9 18.9 0.339
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 210.1 98.5 0.341
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 209.7 100.2 0.336

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.01，nms_thresh=0.6，cpp设置--use_cpu_opt=true或python设置--use_cpu_opt，NMS后处理算法改进前后性能和精度测试结果如下：

测试平台 测试程序 测试模型 YOLOv5 postprocess_time YOLOv5_cpu_opt postprocess_time AP@IoU=0.5:0.95
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 18.1 7.5 0.373
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 17.8 7.2 0.337
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 16.3 5.8 0.373
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 16.0 5.5 0.337
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 118.8 23.0 0.339
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 116.5 23.1 0.334

注意： 由于sail实现的方式与CPP保持一致，所以python调用后有轻微掉点，但速度有较大的提升。

若使用单类NMS，即设置yolov5.cpp文件中的宏USE_MULTICLASS_NMS 0或设置文件yolov5_opencv.py、yolov5_bmcv.py中的cpu opt接口的参数input_use_multiclass_nms=False和YOLOv5成员变量multi_label=False，在轻微损失精度的情况下能够提高后处理性能，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.001，nms_thresh=0.6，cpp设置--use_cpu_opt=true或python设置--use_cpu_opt，NMS后处理算法改进前后性能和精度测试结果如下：

测试平台 测试程序 测试模型 YOLOv5 postprocess_time YOLOv5_cpu_opt postprocess_time AP@IoU=0.5:0.95
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 23.5 10.2 0.369
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 23.1 9.9 0.332
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 21.6 8.5 0.369
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 21.3 8.1 0.332
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 147.3 33.3 0.335
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 147.8 33.3 0.330

若使用单类NMS，即设置yolov5.cpp文件中的宏USE_MULTICLASS_NMS 0或设置文件yolov5_opencv.py、yolov5_bmcv.py中的cpu opt接口的参数input_use_multiclass_nms=False和YOLOv5成员变量multi_label=False，在轻微损失精度的情况下能够提高后处理性能，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.01，nms_thresh=0.6，cpp设置--use_cpu_opt=true或python设置--use_cpu_opt，NMS后处理算法改进前后性能和精度测试结果如下：

测试平台 测试程序 测试模型 YOLOv5 postprocess_time YOLOv5_cpu_opt postprocess_time AP@IoU=0.5:0.95
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_fp32_1b.bmodel 17.6 6.2 0.367
BM1684 SoC yolov5_bmcv.soc yolov5s_v6.1_3output_int8_1b.bmodel 17.5 6.1 0.330
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_fp32_1b.bmodel 15.8 4.5 0.367
BM1684 SoC yolov5_sail.soc yolov5s_v6.1_3output_int8_1b.bmodel 15.7 4.3 0.330
BM1684 SoC yolov5_opencv.py yolov5s_v6.1_3output_int8_1b.bmodel 114.7 9.7 0.333
BM1684 SoC yolov5_bmcv.py yolov5s_v6.1_3output_int8_1b.bmodel 114.2 9.6 0.327

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. BM1684/1684X SoC的主控处理器均为8核 ARM A53 42320 DMIPS @2.3GHz；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。

9. FAQ

YOLOv5移植相关问题可参考YOLOv5常见问题，其他问题请参考FAQ查看一些常见的问题与解答。