前段时间调通了nnie上运行 yolo3模型（darknet->caffe model->wk），但发现精度掉的很厉害，小目标检测根本就不行了（后注：后来发现参数设置有些问题，其实精度不会掉很多，就是比较敏感，容易误识别，但得分不高，所以可以通过提高置信度阈值来解决）。因为我们项目对实时性要求不苛刻，所以转而想直接在arm上运行darknet weights。本系列为华为海思海思AI芯片(Hi3519A/3559A)方案学习系列之十三，系列文章请见底部。
作者：ltshan139
运行yolo3 完整版模型失败
由于有了系列（十二）移植opencv343到hi3519A的基础，所以很快就用下面命令行对cpu+opencv4.0.1上直接运行yolov3模型中的源代码进行编译。
可是执行时，却遇到下面这个问题。初步分析是因为yolov3得weights有240MB左右，在arm平台上malloc这么大一个mat会失败。
运行yolo3-tiny模型太慢
改成加载yolov3-tiny.weights，同时使用yolov3-tiny.cfg以及yolov3-tiny.names（一共80个类），并将network size在代码里面改成416 x 416，是可以成功运行yolo3-tiny模型的，但是推理时间要2分钟左右。而且准确度不高，如下图所示，自行车没有识别出来，而且卡车识别成两个了。
小结
目前来看，在arm cpu平台上直接推理yolo3模型不是很顺利，还需要花费比较大的精力来优化。
版权声明：本文为CSDN博主「ltshan139」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/avideointerfaces/article/details/89478779
海思AI芯片系列文章
- 海思AI芯片(Hi3519A/3559A)方案学习（十二）移植opencv343到hi3519A
- 海思AI芯片(Hi3519A/3559A)方案学习（十一）分析bgr文件格式
- 海思AI芯片学习（十）将yolov3 darknet模型转换为caffemodel
- 海思AI芯片(Hi3519A/3559A)方案学习（九）wk格式的模型生成以及PC仿真
- 海思AI芯片(Hi3519A/3559A)方案学习（八）根文件系统运行遇到的两个问题
- 海思AI芯片(Hi3519A/3559A)方案学习（七）ext4根文件系统制作
- 海思AI芯片(Hi3519A/3559A)学习（六）No MMC device available和can't get kernel image两个问题的解决
- 海思AI芯片(Hi3519A/3559A)学习（五）SDK平台文档梳理 code
- 海思AI芯片(Hi3519A/3559A)学习（四）在3519A板子上运行sample code
- 海思Hi3519A/3559A（三）Ubuntu18.0.4上编译uboot和kernel
- 海思AI芯片(Hi3519A/3559A)方案学习（二）RuyiStudio安装
- 海思AI芯片(Hi3519A/3559A)方案学习（一）资料以及术语介绍
更多海思AI芯片方案学习笔记欢迎关注海思AI芯片方案学习。
