9.4. 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、光流、追踪估计，雷达多任务，bev和深度估计模型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核的速度评测。 示例包中预置了源码、可执行程序和评测脚本，开发者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。

9.4.1. 发布物说明

AI Benchmark示例包位于 horizon_x5_open_explorer 发布物的 samples/ai_benchmark/ 路径下，主要包括以下内容：

编号	名称	内容
1	code	包含示例源代码和编译脚本。
2	x5	示例包上板运行环境。

9.4.1.1. 示例包结构

注解

上板模型需要先在OE包的 samples/ai_toolchain/model_zoo/runtime/ai_benchmark 目录下的 resolve_ai_benchmark_ptq.sh 和 resolve_ai_benchmark_qat.sh 脚本进行获取。

​示例包结构如下所示：

ai_benchmark/code/                    # 示例源码文件夹
├── build_ptq_x5.sh
├── build_qat_x5.sh
├── CMakeLists.txt
├── deps_gcc11.3                       # 第三方依赖库
├── include                           # 源码头文件
├── README.md
└── src                               # 示例源码

ai_benchmark/x5                       # 示例包运行环境
├── ptq                               # PTQ方案模型示例
│   ├── data                          # 模型精度评测数据集
│   ├── mini_data                     # 模型性能评测数据集
│   ├── model                         # PTQ方案nv12模型
│   │   ├── README.md
│   │   └── runtime -> ../../../../model_zoo/runtime/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                          # 模型精度评测数据集
    ├── mini_data                     # 模型性能评测数据集
    ├── model                         # QAT方案nv12模型
    │   ├── README.md
    │   └── runtime -> ../../../../model_zoo/runtime/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
    │   ├── disparity_pred            # 深度估计模型示例
    │   ├── multitask                 # 多任务模型示例
    │   ├── opticalflow               # 光流模型示例
    │   ├── 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
    │   └── README.md
    └── tools                         # 前处理及精度评测工具

• 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。

• x5：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_x5.sh：PTQ真机程序一键编译脚本。

• build_qat_x5.sh：QAT真机程序一键编译脚本。

• deps_gcc11.3：示例代码所需要的依赖，主要如下所示:

  appsdk  gflags  glog  nlohmann  opencv  rapidjson
  

9.4.1.2. 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/ai_benchmark/ 路径下的 resolve_ai_benchmark_ptq.sh 脚本进行获取。

• QAT模型model_zoo需要通过执行 samples/ai_toolchain/model_zoo/runtime/ai_benchmark/ 路径下的 resolve_ai_benchmark_qat.sh 脚本进行获取。

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参考 模型性能Benchmark 章节。

9.4.1.3. 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。

9.4.2. 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arm-gnu-toolchain-11.3.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-gcc。 然后执行 code 目录下的build_ptq_x5.sh和build_qat_x5.sh脚本即可一键编译真机环境下的可执行程序， 可执行程序和对应依赖会自动复制到 x5/ptq/script 和 x5/qat/script 目录下的 aarch64 目录下。

  注解

  需要注意 build_ptq_x5.sh 和 build_qat_x5.sh 脚本里指定的交叉编译工具链的位置是 /opt 目录下，用户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=/opt/arm-gnu-toolchain-11.3.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-gcc
  export CXX=/opt/arm-gnu-toolchain-11.3.rel1-x86_64-aarch64-none-linux-gnu/bin/aarch64-none-linux-gnu-g++
  

9.4.3. 示例使用

9.4.3.1. 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：

  • fps.sh：实现多线程fps统计（多线程调度，用户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
│   ├── preprocess
│   │   └── centerpoint_preprocess_5dim.json   # 前处理配置文件
│   └── reference_points                       # 模型参考点信息
│   │   ├── bev_gkt_mixvargenet_multitask_nuscenes
│   │   └── ...
├── detection                                  # 检测模型
│   ├── fcos_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
      ├── cityscapes_metric.py
      ├── cls_eval.py
      ├── coco_metric.py
      ├── config.py
      ├── coco_det_eval.py
      ├── parsing_eval.py
      ├── voc_det_eval.py
      └── voc_metric.py

qat/tools 目录下主要包括前处理脚本及精度计算脚本，用于QAT模型的精度评测。

tools/
  ├── eval_preprocess
  │     ├── util
  │     ├── ......
  │     └── voc.py
  ├── python_tools
  │     └── accuracy_tools
  │         ├── argoverse_util
  │         ├── nuscenes_metric_pro
  │         ├── whl_package
  │         ├── bev_eval.py
  │         ├── ......
  │         └── yolov3_eval.py
  └── README.md

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/ai_benchmark/x5/ptq root@192.168.1.1:/userdata/ptq/
scp -r samples/ai_benchmark/x5/qat root@192.168.1.1:/userdata/qat/

9.4.3.2. 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。

9.4.3.2.1. 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_IMG_TYPE_Y对应数字0， HB_DNN_IMG_TYPE_NV12对应数字1， HB_DNN_IMG_TYPE_NV12_SEPARATE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

9.4.3.2.2. 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

9.4.3.2.3. 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

注解

core x5只有一个bpu核，这里只能设置为0（core any）或者1（core 0）。

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

9.4.3.3. 性能评测

性能评测分为latency和fps两方面。

9.4.3.3.1. 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

9.4.3.3.2. 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

9.4.3.3.3. 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。

bev模型的workflow_latency.json配置文件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
}

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
2d检测
3d检测
分割
关键点
车道线
光流
雷达
雷达多任务
bev
轨迹预测
深度估计

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。

9.4.3.4. 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。

9.4.3.4.1. 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ssd_mobilenetv1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： 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centernet_resnet101、detr_efficientnetb3_mscoco、detr_resnet50_mscoco、yolov2_darknet19、yolov3_darknet53、yolov3_vargdarknet、yolov5x、 preq_qat_fcos_efficientnetb0、preq_qat_fcos_efficientnetb2和preq_qat_fcos_efficientnetb3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： hb_eval_preprocess -m model_name -i coco/coco_val2017/images -o ./pre_model_name
ImageNet 数据集	用于efficientnasnet_m、efficientnasnet_s、efficientnet_lite0、efficientnet_lite1、efficientnet_lite2、efficientnet_lite3、 efficientnet_lite4、googlenet、mobilenetv1、mobilenetv2、resnet18和vargconvnet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： hb_eval_preprocess -m model_name -i imagenet/val -o ./pre_model_name
Cityscapes 数据集	用于deeplabv3plus_efficientnetb0、deeplabv3plus_efficientnetm1、deeplabv3plus_efficientnetm2和fastscnn_efficientnetb0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： hb_eval_preprocess -m model_name -i cityscapes/leftImg8bit/val -o ./pre_model_name

QAT模型数据预处理：

QAT模型数据预处理需要在x86仿真环境下执行 ai_benchmark_x5/x5/qat/tools/eval_preprocess 中对应模型的前处理脚本。 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

使用前请修改脚本中的数据集路径及保存路径使脚本正常运行。

数据集	说明
ImageNet 数据集	用于QAT分类模型mixvargenet_imagenet、mobilenetv1_imagenet、mobilenetv2_imagenet、resnet50_imagenet、horizon_swin_transformer_imagenet 和vargnetv2_imagenet的评测。 数据集预处理方式： python3 imagenet.py --image-path=./standard_imagenet/val/ --save-path=./pre_model_name
VOC 数据集	用于检测模型yolo_mobilenetv1_voc的评测。 数据集预处理方式： python3 voc.py --image-path=./VOCdevkit/VOC2012/JPEGImages/ --save-path=./pre_yolov3_mobilenetv1
COCO 数据集	用于QAT检测模型fcos_efficientnetb0_mscoco和retinanet_vargnetv2_fpn_mscoco的评测。 数据集预处理方式： fcos_efficientnetb0_mscoco python3 fcos_process.py --image-path=./mscoco/images/val2017/ \ --label-path=./mscoco/images/annotations/instances_val2017.json \ --save-path=./pre_fcos_efficientnetb0 retinanet_vargnetv2_fpn_mscoco python3 retinanet_process.py --image-path=./mscoco/images/val2017/ \ --label-path=./mscoco/images/annotations/instances_val2017.json \ --save-path=./pre_retinanet
Cityscapes 数据集	用于QAT分割模型unet_mobilenetv1_cityscapes的评测，不需要前处理直接使用验证集数据即可。
FlyingChairs 数据集	用于QAT光流模型pwcnet_pwcnetneck_flyingchairs的评测。 1.本数据集您可以于 FlyingChairs数据集官网下载地址 下载， 示例中主要用到了 FlyingChairs_release/data 中的数据和 ./FlyingChairs_train_val.txt 标注文件。 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。 . ├── FlyingChairs_release │ └── data │ ├── 00001_img1.ppm │ ├── 00001_img2.ppm │ └── 00001_flow.ppm ├── FlyingChairs_train_val.txt 其中： {id}_img1.ppm和{id}_img2.ppm是一个图像对，图像宽度大小是512，高度大小是38，id是从00001至22872的序号，每一图像对的标签是{id}_flow.flo。 FlyingChairs_train_val 文件是用于划分训练集和验证集，标签值为2表示验证集。 2.数据集预处理方式： python3 pwcnet_process.py --input-path=./flyingchairs/FlyingChairs_release/data/ \ --val-file=./flyingchairs/FlyingChairs_train_val.txt \ --output-path=./pre_pwcnet_opticalflow
Kitti3D 数据集	用于QAT检测模型pointpillars_kitti_car的评测。 1.本数据集您可以于 Kitti3D数据集官网下载地址 下载， 我们建议您下载以下压缩包，数据准备过程中如遇问题请联系地平线。 . ├── kitti3d ├── data_object_calib.zip # camera calibration matrices of object data set ├── data_object_image_2.zip # left color images of object data set ├── data_object_label_2.zip # taining labels of object data set └── data_object_veloodyne.zip # velodyne point cloud 建议您将下载的数据集解压成如下结构： . ├── kitti3d_origin ├── ImageSets │ ├── test.txt │ ├── train.txt │ ├── trainval.txt │ └── val.txt ├── testing │ ├── calib │ ├── image_2 │ └── velodyne └── training ├── calib ├── image_2 ├── label_2 └── velodyne 2.数据集预处理方式： python3 pointpillars_process.py --data-path=./kitti3d_origin --save-path=./pre_kitti3d --height=1 --width=150000
Culane 数据集	用于QAT检测模型ganet_mixvargenet_culane的评测。 1.本数据集您可以于 Culane数据集官网下载地址 下载， 我们建议您下载以下压缩包，数据准备过程中如遇问题请联系地平线。 . ├── culane ├── annotations_new.tar.gz ├── driver_23_30frame.tar.gz ├── driver_37_30frame.tar.gz ├── driver_100_30frame.tar.gz ├── driver_161_90frame.tar.gz ├── driver_182_30frame.tar.gz ├── driver_193_90frame.tar.gz ├── laneseg_label_w16.tar.gz └── list.tar.gz 其中 annotations_new.tar.gz 需要最后解压，以对原始的注释文件进行更正，建议您将下载的数据集解压成如下结构： . ├── culane # 根目录 ├── driver_23_30frame # 数据集和注释 │ ├── 05151640_0419.MP4 # 数据集的一段，包含每一帧图片 │ │ ├──00000.jpg # 源图片 │ │ ├──00000.lines.txt # 注释文件，其中每个行给出车道标记关键点的x，y坐标 │ ...... ├── driver_37_30frame ├── driver_100_30frame ├── driver_161_90frame ├── driver_182_30frame ├── driver_193_90frame ├── laneseg_label_w16 # 车道分段标签 └── list # 训练，验证，测试列表 2.数据集预处理方式： python3 ganet_process.py --image-path=./culane --save-path=./pre_culane
Nuscenes 数据集	用于QAT检测模型fcos3d_efficientnetb0_nuscenes，centerpoint_pointpillar_nuscenes，lidar多任务模型centerpoint_mixvargnet_multitask_nuscenes和 bev模型bev_gkt_mixvargenet_multitask_nuscenes，bev_lss_efficientnetb0_multitask_nuscenes，bev_ipm_efficientnetb0_multitask_nuscenes， bev_ipm_4d_efficientnetb0_multitask_nuscenes，detr3d_efficientnetb3_nuscenes的评测。 1.本数据集您可以于 Nuscenes数据集官网下载地址 下载， 我们建议您下载以下压缩包，数据准备过程中如遇问题请联系地平线。 . ├── Nuscenes ├── nuScenes-map-expansion-v1.3.zip ├── nuScenes-map-expansion-v1.2.zip ├── nuScenes-map-expansion-v1.1.zip ├── nuScenes-map-expansion-v1.0.zip ├── v1.0-mini.tar ├── v1.0-test_blobs.tar ├── v1.0-test_meta.tar ├── v1.0-trainval01_blobs.tar ├── v1.0-trainval02_blobs.tar ├── v1.0-trainval03_blobs.tar ├── v1.0-trainval04_blobs.tar ├── v1.0-trainval05_blobs.tar ├── v1.0-trainval06_blobs.tar ├── v1.0-trainval07_blobs.tar ├── v1.0-trainval08_blobs.tar ├── v1.0-trainval09_blobs.tar ├── v1.0-trainval10_blobs.tar └── v1.0-trainval_meta.tar 对于lidar多任务模型，还需从官网下载lidar分割标签lidarseg，并按照nuscenes官网教程更新v1.0-trainval，建议您将下载的数据集解压成如下结构： . ├── Nuscenes ├── can_bus ├── lidarseg ├── maps ├── nuscenes │ └── meta │ ├── maps │ ├── v1.0-mini │ └── v1.0-trainval ├── samples ├── sweeps ├── v1.0-mini └── v1.0-trainval 2.数据集预处理方式： 请注意： fcos3d_process.py除了生成预处理图片外，还会对待使用的相机内参进行处理，生成相应的相机内参配置文件。 centerpoint_preprocess.py，bev_preprocess.py和lidar_preprocess.py除了生成预处理数据外， 还会在预处理数据路径下生成一个 val_gt_infos.pkl 文件用于精度计算。 bev_preprocess.py需要通过 --model 指定模型的名称，可选项有bev_gkt_mixvargenet_multitask_nuscenes， bev_ipm_4d_efficientnetb0_multitask_nuscenes，bev_ipm_efficientnetb0_multitask_nuscenes，bev_lss_efficientnetb0_multitask_nuscenes， detr3d_efficientnetb3_nuscenes。 参考命令如下： fcos3d_efficientnetb0_nuscenes python3 fcos3d_process.py --src-data-dir=./Nuscenes \ --file-path=../../script/config/model/data_name_list/nuscenes_names.txt \ --save-path=./processed_fcos3d_images centerpoint_pointpillar_nuscenes python3 centerpoint_preprocess.py --data-path=./Nuscenes --save-path=./nuscenes_lidar_val bev model python3 bev_preprocess.py --model=model_name --data-path=./Nuscenes --meta-path=./Nuscenes/meta \ --reference-path=../../script/config/reference_points --save-path=./nuscenes_bev_val centerpoint_mixvargnet_multitask_nuscenes python3 lidar_preprocess.py --data-path=./Nuscenes --save-path=./nuscenes_lidar_val
Mot17 数据集	用于QAT追踪模型motr_efficientnetb3_mot17的评测。 1.本数据集您可以于 Mot17数据集官网下载地址 下载， 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。 . ├── valdata # 根目录 ├── gt_val │ ├── MOT17-02-SDP │ ├── MOT17-04-SDP │ ├── MOT17-05-SDP │ ├── MOT17-09-SDP │ ├── MOT17-10-SDP │ ├── MOT17-11-SDP │ ├── MOT17-13-SDP ├── images │ └── train │ ├── MOT17-04-SDP │ ├── MOT17-05-SDP │ ├── MOT17-09-SDP │ ├── MOT17-10-SDP │ ├── MOT17-11-SDP │ ├── MOT17-13-SDP └── mot17.val 2.数据集预处理方式： python3 motr_process.py --image-path=./valdata/images/train --save-path=./processed_motr
Carfusion 数据集	用于QAT检测模型keypoint_efficientnetb0_carfusion的评测。 1.本数据集您可以于 Carfusion数据集官网下载地址 下载， 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。 . ├── carfusion # 根目录 ├── train └── test 2.数据集预处理方式： # 首先生成评测需要的数据（如您第一次使用本数据集，必须使用下方脚本生成） python3 gen_carfusion_data.py --src-data-path=carfusion --out-dir=cropped_data --num-workers 2 执行第一个脚本后的目录如下： . ├── cropped_data # 根目录 ├── test └── simple_anno 保证data-root指定的地址与cropped_data同一级，然后运行下方指令： python3 keypoints_preprocess.py --data-root=./ \ --label-path=cropped_data/simple_anno/keypoints_test.json \ --save-path=./processed_carfusion
Argoverse1 数据集	用于QAT检测模型densetnt_vectornet_argoverse1的评测。 1.本数据集您可以于 Argoverse1数据集官网下载地址 下载， 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。 . ├── arogverse-1 # 根目录 ├── map_files └── val 2.数据集预处理方式： densetnt_process.py除了生成预处理输入外，还会在src-path下生成相应的评测meta文件。 评测仅需使用 --src-path 和 --dst-path 两个参数即可，无需关注其他参数。 python3 densetnt_process.py --src-path=arogverse-1 --dst-path=processed_arogverse1
SceneFlow 数据集	用于QAT深度估计模型stereonetplus_mixvargenet_sceneflow的评测。 1.本数据集您可以于 SceneFlow数据集官网下载地址 下载，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。 . ├── SceneFlow # 根目录 ├── FlyingThings3D │ ├── disparity │ ├── frames_finalpass └── SceneFlow_finalpass_test.txt 2.数据集预处理方式： stereonet_preprocess.py除了生成预处理数据外，还会在预处理数据路径下生成一个 val_gt_infos.pkl 文件用于精度计算。 python3 stereonet_preprocess.py --data-path=SceneFlow/ \ --data-list=SceneFlow/SceneFlow_finalpass_test.txt \ --save-path=sceneflow_val

9.4.3.4.2. 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，可替换为用户指定目录。

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。

9.4.3.4.3. 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Densetnt_vectornet_argoverse1、Bev、Motr_efficientnetb3_mot17和Stereonetplus_mixvargenet_sceneflow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。

argoverse1：

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/argoverse1/densetnt/ ， 可以与 workflow_accuracy.json 默认的配置路径吻合。

对于Densetnt_vectornet_argoverse1、Bev、Motr_efficientnetb3_mot17和Stereonetplus_mixvargenet_sceneflow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
Densetnt	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/argoverse1/densetnt/ ，可以与 workflow_accuracy.json 默认的配置路径吻合。
Bev	以bev_ipm_efficientnetb0_multitask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。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 detr3d_efficientnetb3_nuscenes 除了图像和参考点还有coords，masks和position embedding输入，生成lst方式如下： find ../../../data/nuscenes_bev/coords0 -name "*bin*" | sort > ../../../data/nuscenes_bev/coords0.lst find ../../../data/nuscenes_bev/coords1 -name "*bin*" | sort > ../../../data/nuscenes_bev/coords1.lst find ../../../data/nuscenes_bev/coords2 -name "*bin*" | sort > ../../../data/nuscenes_bev/coords2.lst find ../../../data/nuscenes_bev/coords3 -name "*bin*" | sort > ../../../data/nuscenes_bev/coords3.lst find ../../../data/nuscenes_bev/masks -name "*bin*" | sort > ../../../data/nuscenes_bev/masks.lst 请注意： bev模型中，detr3d_efficientnetb3_nuscenes的 reference_points 用于模型后处理， 需要在 workflow_accuracy.json 配置正确的路径，确保程序能够读到对应的参考点文件。 此外，bev_ipm_4d_efficientnetb0_multitask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	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。
Stereonetplus	以stereonetplus_mixvargenet_sceneflow模型为例，为了保证同一帧输入的左右视图相对应，在执行 find 命令时需要添加 sort 按名称进行排序， 参考生成方式如下： find ../../../data/sceneflow/left -name "*png*" | sort > ../../../data/sceneflow/left.lst find ../../../data/sceneflow/right -name "*png*" | sort > ../../../data/sceneflow/right.lst

9.4.3.4.4. 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@x5dvb-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,"class_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,"class_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。

9.4.3.4.5. 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：

• cls_eval.py用于计算分类模型的精度。

• coco_det_eval.py用于计算使用COCO数据集评测的检测模型的精度。

• parsing_eval.py用于计算使用Cityscapes数据集评测的分割模型的精度。

• voc_det_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CIFAR-10数据集和ImageNet数据集的分类模型计算方式如下： python3 cls_eval.py --log_file=eval.log --gt_file=val.txt 其中： log_file：分类模型的预测结果文件。 gt_file：CIFAR-10和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 coco_det_eval.py --eval_result_path=eval.log --annotation_path=instances_val2017.json 其中： eval_result_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 voc_det_eval.py --eval_result_path=eval.log --annotation_path=../Annotations --val_txt_path=../val.txt 其中： eval_result_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 parsing_eval.py --log_file=eval.log --gt_path=cityscapes/gtFine/val 其中： log_file：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：

QAT模型的精度计算脚本在 qat/tools/python_tools/accuracy_tools 目录下，其中：

• bev_eval.py用于计算bev模型的精度。

• centerpoint_eval.py用于计算雷达3D模型centerpoint_pointpillar_nuscenes的精度。

• cls_eval.py用于计算分类模型的精度。

• densetnt_eval.py用于计算densetnt轨迹预测模型densetnt_vectornet_argoverse1的精度。

• detr_eval.py用于计算detr检测模型的精度。

• fcos3d_eval.py用于计算检测模型fcos3d_efficientnetb0_nuscenes的精度。

• fcos_eval.py用于计算fcos检测模型的精度。

• ganet_eval.py用于计算检测模型ganet_mixvargenet_culane的精度。

• keypoints_eval.py用于计算检测模型keypoint_efficientnetb0_carfusion的精度。

• lidar_multitask_eval.py用于计算lidar多任务模型centerpoint_mixvargnet_multitask_nuscenes的精度。

• motr_eval.py用于计算motr检测模型motr_efficientnetb3_mot17的精度。

• parsing_eval.py用于计算使用Cityscapes数据集评测的分割模型的精度。

• pointpillars_eval.py用于计算检测模型pointpillars_kitti_car的精度。

• pwcnet_eval.py用于计算使用FlyingChairs数据集评测的光流模型pwcnet_pwcnetneck_flyingchairs的精度。

• retinanet_eval.py用于计算检测模型retinanet_vargnetv2_fpn_mscoco的精度。

• yolov3_eval.py用于计算yolov3检测模型的精度。

• stereonet_eval.py用于计算深度估计模型stereonetplus_mixvargenet_sceneflow的精度。

以下为您说明不同类型的QAT模型精度计算方式：

模型类型	精度计算方式说明
Bev模型	使用nuscenes数据集的bev模型精度计算方式如下： python3 bev_eval.py --det_eval_path=bev_det_eval.log --seg_eval_path=bev_seg_eval.log \ --gt_files_path=./nuscenes_bev_val/val_gt_infos.pkl --meta_dir=./Nuscenes/meta/ # detr3d_efficientnetb3_nuscenes为bev检测模型，不需要指定 --seg_eval_path python3 bev_eval.py --det_eval_path=eval.log --gt_files_path=./nuscenes_bev_val/val_gt_infos.pkl \ --meta_dir=./Nuscenes/meta/ 其中： det_eval_path：bev模型检测任务的预测结果文件。 seg_eval_path：bev模型分割任务的预测结果文件。 gt_files_path：对nuscenes数据集进行预处理生成的gt文件。 meta_dir：nuscenes数据集的meta信息路径。
分类模型	使用CIFAR-10数据集和ImageNet数据集的分类模型计算方式如下： python3 cls_eval.py --log_file=eval.log --gt_file=val.txt 其中： log_file：分类模型的预测结果文件。 gt_file：CIFAR-10和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示例如下： python3 fcos_eval.py --eval_result_path=eval.log --annotation_path=instances_val2017.json \ --image_path=./mscoco/images/val2017/ # qat fcos模型需要增加--is_qat=True python3 fcos_eval.py --eval_result_path=eval.log --annotation_path=instances_val2017.json \ --image_path=./mscoco/images/val2017/ --is_qat=True 其中： eval_result_path：fcos检测模型的预测结果文件。 annotation_path：COCO数据集的标注文件。 image_path：COCO原始数据集。 is_qat：是否是qat fcos模型结果评测。 python3 retinanet_eval.py --eval_result_path=eval.log --annotation_path=instances_val2017.json \ --image_path=./mscoco/images/val2017/ 其中： eval_result_path：retinanet检测模型的预测结果文件。 annotation_path：COCO数据集的标注文件。 image_path：COCO原始数据集。 python3 detr_eval.py --eval_result_path=eval.log --annotation_path=instances_val2017.json \ --image_path=./mscoco/images/val2017/ 其中： eval_result_path：retinanet检测模型的预测结果文件。 annotation_path：COCO数据集的标注文件。 image_path：COCO原始数据集。 2.使用VOC数据集的检测模型精度计算方式示例如下： python3 yolov3_eval.py --eval_result_path=eval.log --annotation_path=../Annotations --val_txt_path=../val.txt \ --image_height=416 --image_width=416 其中： eval_result_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。 image_height: 图像的高度。 image_width: 图像的宽度。 3.使用Kitti数据集的检测模型精度计算方式如下： python3 pointpillars_eval.py --eval_result_path=eval.log --annotation_path=./val_gt_infos.pkl 其中： eval_result_path：检测模型的预测结果文件。 annotation_path：预处理过程中生成的kitti3d数据集的标注文件val_gt_infos.pkl。 4.使用Culane数据集的检测模型精度计算方式如下： python3 ganet_eval.py --eval_path=eval.log --image_path=./culane 其中： eval_result_path：检测模型的预测结果文件。 image_path：culane数据集。 5.使用Nuscenes数据集的检测模型精度计算方式如下： python3 fcos3d_eval.py --eval_result_path=eval.log --image_path=./Nuscenes 其中： eval_result_path：检测模型的预测结果文件。 image_path：nuscenes数据集。 python3 centerpoint_eval.py --predict_result_path=eval.log --gt_files_path=./nuscenes_lidar_val/val_gt_infos.pkl \ --meta_dir=./Nuscenes/meta/ 其中： predict_result_path：检测模型的预测结果文件。 gt_files_path： 对nuscenes数据集进行预处理生成的gt文件。 meta_dir： nuscenes数据集的meta信息路径。 6.使用Carfusion数据集的检测模型精度计算方式如下： python3 keypoints_eval.py --anno_path=./processed_carfusion/processed_anno.json --eval_result_path=eval.log 其中： anno_path：预处理生成的processed_anno.json文件。 eval_result_path：检测模型的预测结果文件。
分割模型	使用Cityscapes数据集的分割模型精度计算方式如下： python3 parsing_eval.py --log_file=eval.log --gt_path=cityscapes/gtFine/val 其中： log_file：分割模型的预测结果文件。 gt_path：Cityscapes数据集的标注文件。
光流模型	使用FlyingChairs数据集的光流模型精度计算方式如下： python3 pwcnet_eval.py --log_file=eval.log --gt_path=./flyingchairs/FlyingChairs_release/data/ \ --val_file=./flyingchairs/FlyingChairs_train_val.txt 其中： log_file：光流模型的预测结果文件。 val_file：FlyingChairs数据集标签文件。 gt_path：FlyingChairs数据集原始文件。
追踪模型	使用mot17数据集的追踪模型计算方式如下： python3 motr_eval.py --eval_result_path=eval_log --gt_val_path=valdata/gt_val 其中： eval_result_path：追踪模型的预测结果文件夹。 gt_val_path：mot17数据集的标注文件。
多任务模型	使用nuscenes数据集的lidar多任务模型精度计算方式如下： python3 lidar_multitask_eval.py --det_eval_path=det_eval.log --seg_eval_path=seg_eval.log \ --gt_files_path=./nuscenes_lidar_val/val_gt_infos.pkl --data_dir=./Nuscenes 其中： det_eval_path: 检测任务的预测结果文件。 seg_eval_path: 分割任务的预测结果文件。 gt_files_path: 对nuscenes数据集进行预处理生成的gt文件。 data_dir: nuscenes数据集路径。
轨迹预测模型	使用argoverse1数据集的追踪模型计算方式如下： python3 densetnt_eval.py --eval_result_path=eval.log --meta_path=argoverse1/meta 其中： eval_result_path：轨迹预测的预测结果文件。 meta_path：argoverse1数据集生成的的标注文件，使用预处理脚本后，生成在原数据集目录meta中。
深度估计模型	使用Sceneflow数据集的深度估计模型精度计算方式如下： python3 stereonet_eval.py --log_file=eval.log --gt_file=val_gt_infos.pkl 其中： log_file：深度估计模型的预测结果文件。 gt_file：对Sceneflow数据集进行预处理生成的gt文件。

9.4.4. 模型集成

9.4.4.1. 前处理

您可根据需要自行添加模型前处理，将其部署到 CPU 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。

9.4.4.1.1. 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
|  |  |  |  |── ...

9.4.4.1.2. 模型前处理配置文件添加

|── ai_benchmark
|  |── x5/qat/script                                       # 示例脚本文件夹
|  |  |── config
|  |  |  |── preprocess
|  |  |  |  |── centerpoint_preprocess_5dim.json           # 前处理配置脚本

9.4.4.1.3. 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：

I0615 13:30:40.772293  3670 output_plugin.cc:91]  Pre process latency: [avg:  20.295ms,  max:  28.690ms,  min:  18.512ms], Infer latency:  [avg:  25.053ms,  max:  31.943ms,  min:  24.702ms], Post process latency: [avg:  52.760ms,  max:  54.099ms,  min:  51.992ms].

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。

9.4.4.2. 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。

9.4.4.2.1. 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，用户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
|  |  |  |  |── ...

9.4.4.2.2. 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
  |  |── x5/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
  |  |  |  |  |── 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
  

• motr_efficientnetb3_mot17模型：

  |── ai_benchmark
  |  |── x5/qat/script                                       # 示例脚本文件夹
  |  |  |── tracking
  |  |  |  |── motr
  |  |  |  |  |── 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
  |  |── x5/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
  

9.4.5. 辅助工具

9.4.5.1. 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。 用户根据不同的需求可以设置不同的日志。

9.4.5.1.1. 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。

2.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。

9.4.5.1.2. dnn 日志

关于 dnn 日志的配置，请阅读BPU SDK API手册中的 配置信息 一节内容。

9.4.5.2. 算子耗时

9.4.5.2.1. 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。

9.4.5.2.2. 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。

9.4.5.3. 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。