4.1.3.1. 发布物介绍¶
4.1.3.1.1. 模型量化示例包 horizon_model_convert_sample¶
注解
OE 包默认不携带示例对应的校准数据集和原始模型，您需要在对应的示例文件夹内执行 00_init.sh 获取当前示例所需的模型和校准数据集。
全部示例的原始模型和数据集获取完成后的模型转换示例包的目录结构如下所示：
horizon_model_convert_sample/
├── 01_common
│ ├── calibration_data
│ ├── data -> /data/horizon_x3/data
│ ├── model_zoo -> ../../../model_zoo/
│ ├── python
│ ├── README.md
│ └── test_data
├── 02_preq_examples
│ ├── 01_fcos_efficientnetb0
│ ├── 02_fcos_efficientnetb1
│ ├── 03_fcos_efficientnetb2
│ ├── det_evaluate.py
│ └── det_inference.py
├── 03_classification
│ ├── 01_mobilenet
│ ├── 02_googlenet
│ ├── 03_resnet18
│ ├── 04_mobilenet_onnx
│ ├── 05_efficientnet_lite0_onnx
│ ├── 06_efficientnet_lite1_onnx
│ ├── 07_efficientnet_lite2_onnx
│ ├── 08_efficientnet_lite3_onnx
│ ├── 09_efficientnet_lite4_onnx
│ ├── cls_evaluate.py
│ └── cls_inference.py
├── 04_detection
│ ├── 01_yolov2_darknet19
│ ├── 02_yolov3_darknet53
│ ├── 03_yolov5s
│ ├── 04_ssd_mobilenetv1
│ ├── 05_efficientdetd0
│ ├── 06_centernet_resnet50
│ ├── 07_fcos_efficientnetb0
│ ├── det_evaluate.py
│ └── det_inference.py
├── 05_miscellaneous
│ ├── 01_lenet_gray
│ ├── 02_resnet50_feature
│ ├── 03_vector_diff
│ ├── 04_multi_input_example
│ ├── 07_model_verifier
│ ├── 08_model_info
│ ├── 09_mobilenet_bgr
│ ├── 10_mobilenet_yuv444
│ ├── cls_inference.py
│ ├── det_evaluate.py
│ └── det_inference.py
├── 06_custom_op
│ └── mapper
├── 07_segmentation
│ ├── 01_unet_mobilenet
│ ├── 02_deeplabv3plus_efficientnetb0
│ ├── 03_fastscnn_efficientnetb0
│ ├── seg_evaluate.py
│ └── seg_inference.py
└── data_preprocess.py
示例包中包含的主要内容：
常见算法模型示例是指 02_preq_examples/ 、 03_classification/ 、 04_detection/ 和 07_segmentation/ 文件夹中的示例。
这些示例的主要目标是指导用户：
快速体验模型转换的流程。
快速评测模型转换的精度。
体验转换的效果。
其他算法模型示例是指 05_miscellaneous/ 和 06_custom_op/ 文件夹中的示例。
05_miscellaneous，杂项示例，指导用户使用地瓜机器人算法工具链提供的一些其他内容。 比如：如何使用地瓜机器人模型转换工具，使 rgb 数据训练的模型能在 runtime 运行时接受 yuv 数据。03_vector_diff指导用户如何使用vec_diff工具来定位问题的一个示例。06_custom_op/为用户自定义 OP 示例，帮助用户了解如何在模型含有工具链不支持的算子的情况下添加自定义算子的功能。
注解
这部分示例会不定期更新，为您常见的问题提供示例解答。
4.1.3.1.2. 模型发布物 model_zoo¶
model_zoo 包含两个路径： mapper 和 runtime。
其中 mapper 路径下包含了 PTQ 和 QAT 方案进行模型转换时要使用的模型（ONNX 或 Caffe 格式的浮点模型），
其中 fcos_efficientnetb0、fcos_efficientnetb1 和 fcos_efficientnetb2 为 QAT 模型，其余为 PTQ 模型；
runtime 路径下包含了嵌入式运行时开发要使用的 bin 模型。
以下仅展示 PTQ 和 QAT 示例要使用的模型发布物：
├── classification
│ ├── efficientnasnet
│ │ ├── efficientnasnet-m.onnx
│ │ ├── efficientnasnet.onnx
│ │ └── efficientnasnet-s.onnx
│ ├── efficientnet_lite_onnx
│ │ ├── efficientnet_lite0_fp32.onnx
│ │ ├── efficientnet_lite1_fp32.onnx
│ │ ├── efficientnet_lite2_fp32.onnx
│ │ ├── efficientnet_lite3_fp32.onnx
│ │ └── efficientnet_lite4_fp32.onnx
│ ├── googlenet
│ │ └── googlenet.onnx
│ ├── mobilenet
│ │ ├── mobilenet.caffemodel
│ │ ├── mobilenet_deploy.prototxt
│ │ ├── mobilenet_v2.caffemodel
│ │ └── mobilenet_v2_deploy.prototxt
│ ├── mobilenet_onnx
│ │ └── mobilenetv2.onnx
│ ├── resnet18
│ │ ├── resnet18.caffemodel
│ │ └── resnet18_deploy.prototxt
│ ├── resnet50
│ │ ├── resnet_50.caffemodel
│ │ └── resnet_50_deploy.prototxt
│ ├── se_resnet_gray_onnx
│ │ └── se_resnet_gray.onnx
│ └── vargnet
│ └── vargconvnet.onnx
├── ustom_op
│ └── custom_op.onnx
├── etection
│ ├── centernet
│ │ ├── centernet_resnet101_coco.onnx
│ │ └── centernet_resnet50.onnx
│ ├── efficientdetd0
│ │ └── efficientdet_nhwc.onnx
│ ├── fcos_efficientnetb0
│ │ ├── fcos_effb0.onnx
│ │ ├── fcos_efficientnetb0.onnx
│ │ └── fcos.onnx
│ ├── fcos_efficientnetb3
│ │ └── fcos_effb3.onnx
│ ├── fcos_resnet50
│ │ └── fcos_resnet50.onnx
│ ├── fcos_resnext101
│ │ └── fcos_resnext101.onnx
│ ├── ssd_mobilenetv1
│ │ ├── mobilenet_iter_73000.caffemodel
│ │ └── MobileNetSSD_deploy.prototxt
│ ├── yolov2_darknet19
│ │ ├── README.md
│ │ ├── yolov2.caffemodel
│ │ └── yolov2_transposed.prototxt
│ ├── yolov3_darknet53
│ │ ├── README.md
│ │ ├── yolov3.caffemodel
│ │ └── yolov3_transposed.prototxt
│ ├── yolov3_vargdarknet
│ │ └── yolov3_vargdarknet53.onnx
│ ├── yolov4
│ │ └── yolov4_efficientnetb0.onnx
│ └── yolov5_onnx_optimized
│ ├── YOLOv5l.onnx
│ ├── YOLOv5m.onnx
│ ├── YOLOv5s.onnx
│ └── YOLOv5x.onnx
├── other
│ ├── fcos_efficientnetb0
│ │ └── fcos_efficientnetb0_qat.onnx
│ ├── lenet
│ │ ├── lenet_iter_100000.caffemodel
│ │ └── lenet_train_test.prototxt
│ ├── mobilenetv2_three_inputs
│ │ ├── mobilenetv2_three_inputs.caffemodel
│ │ └── mobilenetv2_three_inputs.prototxt
│ ├── multi_type
│ │ └── original_float_model.onnx
│ ├── resizer_model
│ │ └── resizer_model.onnx
│ └── resnet50_feature
│ ├── resnet50_feature.caffemodel
│ ├── resnet50_feature_deploy.prototxt
│ ├── resnet50_pre.caffemodel
│ └── resnet50_pre.prototxt
├── preq_examples
│ └── fcos_efficientnet
│ ├── fcos_eff_b0.onnx
│ ├── fcos_eff_b2.onnx
│ ├── fcos_eff_b3.onnx
│ ├── fcos_efficientnetb0_mscoco.onnx
│ ├── fcos_efficientnetb1_mscoco.onnx
│ └── fcos_efficientnetb2_mscoco.onnx
└── segmentation
├── deeplabv3plus_efficientnetb0
│ ├── deeplabv3_cityscapes_dila1248_permute.onnx
│ ├── deeplabv3plus_efficientnetb0_float.onnx
│ └── deeplabv3plus_efficientnetb0.onnx
├── deeplabv3plus_efficientnetm
│ ├── deeplabv3plus_efficientnetm1.onnx
│ └── deeplabv3plus_efficientnetm2.onnx
├── fastscnn_efficientnetb0
│ └── fastscnn_efficientnetb0.onnx
├── mobilenet_unet
│ └── tf_unet_trained.onnx
└── unet_mobilenet
└── tf_unet_trained.onnx
注意
此目录树是完整结构展示，实际上 OE 包并没有直接携带所有的模型。
下一小节内容将为您介绍算法模型示例相关的内容。