海思AI芯片(Hi3519A/3559A)方案学习（十五）基于nnie引擎进行推理的仿真代码浅析

本系列为华为海思海思AI芯片(Hi3519A/3559A)方案学习系列之十五，主要对基于nnie引擎进行推理的仿真代码浅析，系列文章请见底部。
作者：ltshan139

前言

HISVP仿真（即基于nnie引擎进行推理）的代码有如下四个版本

前两个是功能性仿真，后两个是指令性仿真。在功能性或指令性仿真内部又分为使用opencv库和不使用opencv库两种类型。它们的最终结果应该是一致的，但功能性验证显然速度要快很多。

由于yolo层后处理都是软件实现的，所以当待仿真的算法模型（即wk文件）改变时，尤其网络size或目标识别种类数等方面不同，下面这些参数需要在代码里面手动进行修改。

模型参数修改

待识别的输入图像设置如下所示。对应yolo版本的路径中有image_test_list.txt来指定一个或多个输入图像的路径和文件名称。

权值文件的指定如下所示。上面是指令级别的wk文件；下面是功能仿真的wk文件。

最重要的模型相关参数设置在SvpSampleYolo.h中。下面是一个尺寸为416x416的模型参数，识别类型有80个classes。其它参数请自行体会。当模型尺寸改变，如608x608，那么下面xxx_82, 94以及106层的feature map大小也随之改变。此外，识别类型数目发生变化，那么xxx_CHANNEL_NUM以及CLASS_NUM也要相应修改。

此外，在软件后处理（主要是NMS）检测框时，有两个参数也是可以调节的。一个是每个框的置信阈值，另外一个是两个框之间的iou阈值。

最后一个值得注意地方就是 anchor boxes的修改。在svpSampleYolov3.cpp代码里面，它的符号表式是 bias。

结论

由上可知，当算法模型发生变化，往往需要手动调整一些软件参数。某一个环节做错了，很有可能得到错误的结果。

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/90182987

海思AI芯片系列文章

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。

前言

模型参数修改

结论

推荐阅读

目录