Skip to content

Latest commit

 

History

History
383 lines (347 loc) · 29.5 KB

README.md

File metadata and controls

383 lines (347 loc) · 29.5 KB
Raw

C3D

1. 简介

C3D是使用三维卷积进行视频动作识别的开荒者，论文链接：Learning Spatiotemporal Features with 3D Convolutional Networks。

本例程对MMAction的C3D_UCF101模型进行了移植，在相同的预处理流程下可以做到精度对齐。

2. 特性

  • 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)、BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1688/BM1684X)、INT8模型编译和推理
  • 支持基于BMCV和OpenCV预处理的C++推理
  • 支持基于OpenCV预处理的Python推理
  • 支持单batch和多batch模型推理
  • 支持视频文件夹测试

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。

本例程在scripts目录下提供了所有相关的模型和数据集的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型转换进行模型转换。

如果您有自己训练的Pytorch C3D模型，您可以参考tools/c3d_transform.py，自行修改源模型路径和模型网络的层名，确保能够加载您的参数，以成功转换torchscript和onnx模型。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。

# 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

执行后，模型保存在models，数据集在datasets

下载的模型包括：

./models
├── BM1684
│   ├── c3d_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── c3d_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=4
│   ├── c3d_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── c3d_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── c3d_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── c3d_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=4
│   ├── c3d_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── c3d_fp16_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=4
│   ├── c3d_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── c3d_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── BM1688
│   ├── c3d_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1，num_core=1
│   ├── c3d_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=4，num_core=1
│   ├── c3d_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1，num_core=1
│   ├── c3d_fp16_4b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=4，num_core=1
│   ├── c3d_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1，num_core=1
│   ├── c3d_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4，num_core=1
│   ├── c3d_fp32_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1，num_core=2
│   ├── c3d_fp32_4b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=4，num_core=2
│   ├── c3d_fp16_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1，num_core=2
│   ├── c3d_fp16_4b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=4，num_core=2
│   ├── c3d_int8_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1，num_core=2
│   └── c3d_int8_4b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4，num_core=2
├── CV186X
│   ├── c3d_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│   ├── c3d_fp32_4b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=4
│   ├── c3d_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│   ├── c3d_fp16_4b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=4
│   ├── c3d_int8_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│   └── c3d_int8_4b.bmodel   # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=4
│── torch
│   └── c3d_ucf101.pt        # trace后的torchscript模型
└── onnx
    └── c3d_ucf101.onnx      # 导出的onnx动态模型

下载的数据包括：

./datasets/UCF_test_01       #UCF101的一个测试子集。

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/CV186X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​执行上述命令会在models/BM1684等文件夹下生成c3d_fp32_1b.bmodel等文件，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/CV186X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688/cv186x

​执行上述命令会在models/BM1684X/等文件夹下生成c3d_fp16_1b.bmodel等文件，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/CV186X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​上述脚本会在models/BM1684等文件夹下生成c3d_int8_1b.bmodel等文件，即转换好的INT8 BModel。

如果您不使用本例程的数据集，本例程在tools目录下提供了准备npy数据的python脚本，用户可以根据脚本自己准备npy格式量化数据集。

cd tools
python3 c3d_npy.py --input_path ../datasets/UCF_test_01 #for tpu-mlir

执行后，会在datasets目录下产生cali_set_npy文件夹，可以作为量化模型使用的数据集。

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。 然后，使用tools目录下的eval_ucf.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，计算出准确率信息，命令如下：

# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_ucf.py --gt_path datasets/ground_truth.json --result_json cpp/c3d_bmcv/results/c3d_fp32_1b.bmodel_bmcv_cpp.json

6.2 测试结果

根据本例程提供的数据集，测试结果如下：

测试平台 测试程序 测试模型 ACC
SE5-16 c3d_opencv.py c3d_fp32_1b.bmodel 0.715
SE5-16 c3d_opencv.py c3d_fp32_4b.bmodel 0.715
SE5-16 c3d_opencv.py c3d_int8_1b.bmodel 0.712
SE5-16 c3d_opencv.py c3d_int8_4b.bmodel 0.712
SE5-16 c3d_opencv.soc c3d_fp32_1b.bmodel 0.715
SE5-16 c3d_opencv.soc c3d_fp32_4b.bmodel 0.715
SE5-16 c3d_opencv.soc c3d_int8_1b.bmodel 0.712
SE5-16 c3d_opencv.soc c3d_int8_4b.bmodel 0.712
SE5-16 c3d_bmcv.soc c3d_fp32_1b.bmodel 0.715
SE5-16 c3d_bmcv.soc c3d_fp32_4b.bmodel 0.715
SE5-16 c3d_bmcv.soc c3d_int8_1b.bmodel 0.710
SE5-16 c3d_bmcv.soc c3d_int8_4b.bmodel 0.710
SE7-32 c3d_opencv.py c3d_fp32_1b.bmodel 0.715
SE7-32 c3d_opencv.py c3d_fp32_4b.bmodel 0.715
SE7-32 c3d_opencv.py c3d_fp16_1b.bmodel 0.715
SE7-32 c3d_opencv.py c3d_fp16_4b.bmodel 0.715
SE7-32 c3d_opencv.py c3d_int8_1b.bmodel 0.715
SE7-32 c3d_opencv.py c3d_int8_4b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_fp32_1b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_fp32_4b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_fp16_1b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_fp16_4b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_int8_1b.bmodel 0.715
SE7-32 c3d_opencv.soc c3d_int8_4b.bmodel 0.715
SE7-32 c3d_bmcv.soc c3d_fp32_1b.bmodel 0.715
SE7-32 c3d_bmcv.soc c3d_fp32_4b.bmodel 0.715
SE7-32 c3d_bmcv.soc c3d_fp16_1b.bmodel 0.715
SE7-32 c3d_bmcv.soc c3d_fp16_4b.bmodel 0.715
SE7-32 c3d_bmcv.soc c3d_int8_1b.bmodel 0.712
SE7-32 c3d_bmcv.soc c3d_int8_4b.bmodel 0.712
SE9-16 c3d_opencv.py c3d_fp32_1b.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp32_4b.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp16_1b.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp16_4b.bmodel 0.715
SE9-16 c3d_opencv.py c3d_int8_1b.bmodel 0.712
SE9-16 c3d_opencv.py c3d_int8_4b.bmodel 0.712
SE9-16 c3d_opencv.soc c3d_fp32_1b.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp32_4b.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp16_1b.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp16_4b.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_int8_1b.bmodel 0.712
SE9-16 c3d_opencv.soc c3d_int8_4b.bmodel 0.712
SE9-16 c3d_bmcv.soc c3d_fp32_1b.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp32_4b.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp16_1b.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp16_4b.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_int8_1b.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_int8_4b.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp32_1b_2core.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp32_4b_2core.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp16_1b_2core.bmodel 0.715
SE9-16 c3d_opencv.py c3d_fp16_4b_2core.bmodel 0.715
SE9-16 c3d_opencv.py c3d_int8_1b_2core.bmodel 0.712
SE9-16 c3d_opencv.py c3d_int8_4b_2core.bmodel 0.712
SE9-16 c3d_opencv.soc c3d_fp32_1b_2core.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp32_4b_2core.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp16_1b_2core.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_fp16_4b_2core.bmodel 0.715
SE9-16 c3d_opencv.soc c3d_int8_1b_2core.bmodel 0.712
SE9-16 c3d_opencv.soc c3d_int8_4b_2core.bmodel 0.712
SE9-16 c3d_bmcv.soc c3d_fp32_1b_2core.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp32_4b_2core.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp16_1b_2core.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_fp16_4b_2core.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_int8_1b_2core.bmodel 0.715
SE9-16 c3d_bmcv.soc c3d_int8_4b_2core.bmodel 0.715
SE9-8 c3d_opencv.py c3d_fp32_1b.bmodel 0.715
SE9-8 c3d_opencv.py c3d_fp32_4b.bmodel 0.715
SE9-8 c3d_opencv.py c3d_fp16_1b.bmodel 0.715
SE9-8 c3d_opencv.py c3d_fp16_4b.bmodel 0.715
SE9-8 c3d_opencv.py c3d_int8_1b.bmodel 0.712
SE9-8 c3d_opencv.py c3d_int8_4b.bmodel 0.712
SE9-8 c3d_opencv.soc c3d_fp32_1b.bmodel 0.715
SE9-8 c3d_opencv.soc c3d_fp32_4b.bmodel 0.715
SE9-8 c3d_opencv.soc c3d_fp16_1b.bmodel 0.715
SE9-8 c3d_opencv.soc c3d_fp16_4b.bmodel 0.715
SE9-8 c3d_opencv.soc c3d_int8_1b.bmodel 0.712
SE9-8 c3d_opencv.soc c3d_int8_4b.bmodel 0.712
SE9-8 c3d_bmcv.soc c3d_fp32_1b.bmodel 0.715
SE9-8 c3d_bmcv.soc c3d_fp32_4b.bmodel 0.715
SE9-8 c3d_bmcv.soc c3d_fp16_1b.bmodel 0.715
SE9-8 c3d_bmcv.soc c3d_fp16_4b.bmodel 0.715
SE9-8 c3d_bmcv.soc c3d_int8_1b.bmodel 0.715
SE9-8 c3d_bmcv.soc c3d_int8_4b.bmodel 0.715

测试说明：

  1. 由于sdk版本之间可能存在差异，实际运行结果与本表有<0.01的精度误差是正常的；
  2. 在搭载了相同TPU和SOPHONSDK的PCIe或SoC平台上，相同程序的精度一致，SE5系列对应BM1684，SE7系列对应BM1684X，SE9系列中SE9-16对应BM1688，SE9-8对应CV186X；

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/c3d_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/c3d_fp32_1b.bmodel 62.37
BM1684/c3d_fp32_4b.bmodel 50.10
BM1684/c3d_int8_1b.bmodel 28.25
BM1684/c3d_int8_4b.bmodel 7.39
BM1684X/c3d_fp32_1b.bmodel 79.05
BM1684X/c3d_fp32_4b.bmodel 73.64
BM1684X/c3d_fp16_1b.bmodel 9.50
BM1684X/c3d_fp16_4b.bmodel 7.11
BM1684X/c3d_int8_1b.bmodel 5.57
BM1684X/c3d_int8_4b.bmodel 4.41
BM1688/c3d_fp32_1b.bmodel 414.33
BM1688/c3d_fp32_4b.bmodel 396.96
BM1688/c3d_fp16_1b.bmodel 74.94
BM1688/c3d_fp16_4b.bmodel 68.31
BM1688/c3d_int8_1b.bmodel 34.74
BM1688/c3d_int8_4b.bmodel 31.43
BM1688/c3d_fp32_1b_2core.bmodel 413.43
BM1688/c3d_fp32_4b_2core.bmodel 397.42
BM1688/c3d_fp16_1b_2core.bmodel 61.02
BM1688/c3d_fp16_4b_2core.bmodel 54.17
BM1688/c3d_int8_1b_2core.bmodel 31.54
BM1688/c3d_int8_4b_2core.bmodel 28.24
CV186X/c3d_fp32_1b.bmodel 417.85
CV186X/c3d_fp32_4b.bmodel 394.11
CV186X/c3d_fp16_1b.bmodel 76.09
CV186X/c3d_fp16_4b.bmodel 65.99
CV186X/c3d_int8_1b.bmodel 32.57
CV186X/c3d_int8_4b.bmodel 27.78

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为每个视频平均推理时间；
  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，并查看统计的视频解码时间、预处理时间、推理时间、后处理时间。C++和Python例程打印的时间已经折算为单张图片的处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/UCF_test_01，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
SE5-16 c3d_opencv.py c3d_fp32_1b.bmodel 66.43 30.22 68.69 0.09
SE5-16 c3d_opencv.py c3d_fp32_4b.bmodel 67.00 37.55 56.48 0.03
SE5-16 c3d_opencv.py c3d_int8_1b.bmodel 66.39 30.39 34.65 0.09
SE5-16 c3d_opencv.py c3d_int8_4b.bmodel 67.18 37.69 13.71 0.03
SE5-16 c3d_opencv.soc c3d_fp32_1b.bmodel 71.78 26.17 62.32 0.01
SE5-16 c3d_opencv.soc c3d_fp32_4b.bmodel 71.94 25.91 50.09 0.00
SE5-16 c3d_opencv.soc c3d_int8_1b.bmodel 71.73 26.07 28.22 0.01
SE5-16 c3d_opencv.soc c3d_int8_4b.bmodel 71.67 25.80 7.39 0.00
SE5-16 c3d_bmcv.soc c3d_fp32_1b.bmodel 75.55 6.74 62.29 0.01
SE5-16 c3d_bmcv.soc c3d_fp32_4b.bmodel 74.63 6.62 50.08 0.00
SE5-16 c3d_bmcv.soc c3d_int8_1b.bmodel 74.72 6.72 28.21 0.01
SE5-16 c3d_bmcv.soc c3d_int8_4b.bmodel 74.97 6.57 7.38 0.00
SE7-32 c3d_opencv.py c3d_fp32_1b.bmodel 65.80 30.95 86.39 0.09
SE7-32 c3d_opencv.py c3d_fp32_4b.bmodel 67.21 38.68 80.74 0.03
SE7-32 c3d_opencv.py c3d_fp16_1b.bmodel 66.06 31.05 16.78 0.09
SE7-32 c3d_opencv.py c3d_fp16_4b.bmodel 67.21 38.67 14.18 0.03
SE7-32 c3d_opencv.py c3d_int8_1b.bmodel 65.83 30.88 12.88 0.09
SE7-32 c3d_opencv.py c3d_int8_4b.bmodel 67.07 38.60 11.53 0.03
SE7-32 c3d_opencv.soc c3d_fp32_1b.bmodel 71.89 26.43 79.06 0.01
SE7-32 c3d_opencv.soc c3d_fp32_4b.bmodel 72.32 26.08 73.65 0.00
SE7-32 c3d_opencv.soc c3d_fp16_1b.bmodel 71.86 26.39 9.48 0.01
SE7-32 c3d_opencv.soc c3d_fp16_4b.bmodel 72.34 26.15 7.11 0.00
SE7-32 c3d_opencv.soc c3d_int8_1b.bmodel 72.16 26.40 5.57 0.01
SE7-32 c3d_opencv.soc c3d_int8_4b.bmodel 72.36 26.14 4.40 0.01
SE7-32 c3d_bmcv.soc c3d_fp32_1b.bmodel 74.45 3.64 79.03 0.01
SE7-32 c3d_bmcv.soc c3d_fp32_4b.bmodel 75.02 3.48 73.63 0.00
SE7-32 c3d_bmcv.soc c3d_fp16_1b.bmodel 74.71 3.60 9.46 0.01
SE7-32 c3d_bmcv.soc c3d_fp16_4b.bmodel 74.66 3.49 7.10 0.00
SE7-32 c3d_bmcv.soc c3d_int8_1b.bmodel 74.84 3.62 5.52 0.01
SE7-32 c3d_bmcv.soc c3d_int8_4b.bmodel 75.16 3.49 4.41 0.00
SE9-16 c3d_opencv.py c3d_fp32_1b.bmodel 91.91 42.36 414.42 0.13
SE9-16 c3d_opencv.py c3d_fp32_4b.bmodel 94.88 50.27 397.28 0.05
SE9-16 c3d_opencv.py c3d_fp16_1b.bmodel 90.77 42.20 78.45 0.13
SE9-16 c3d_opencv.py c3d_fp16_4b.bmodel 94.31 50.30 72.12 0.04
SE9-16 c3d_opencv.py c3d_int8_1b.bmodel 91.94 42.05 34.79 0.13
SE9-16 c3d_opencv.py c3d_int8_4b.bmodel 93.83 50.44 31.97 0.04
SE9-16 c3d_opencv.soc c3d_fp32_1b.bmodel 132.62 387.37 405.13 0.02
SE9-16 c3d_opencv.soc c3d_fp32_4b.bmodel 132.72 387.10 388.00 0.01
SE9-16 c3d_opencv.soc c3d_fp16_1b.bmodel 132.28 387.39 69.19 0.02
SE9-16 c3d_opencv.soc c3d_fp16_4b.bmodel 132.06 387.35 62.73 0.01
SE9-16 c3d_opencv.soc c3d_int8_1b.bmodel 131.51 387.38 25.53 0.02
SE9-16 c3d_opencv.soc c3d_int8_4b.bmodel 132.48 387.16 22.49 0.01
SE9-16 c3d_bmcv.soc c3d_fp32_1b.bmodel 142.28 11.06 405.10 0.02
SE9-16 c3d_bmcv.soc c3d_fp32_4b.bmodel 142.33 10.91 387.99 0.01
SE9-16 c3d_bmcv.soc c3d_fp16_1b.bmodel 143.40 11.16 69.17 0.02
SE9-16 c3d_bmcv.soc c3d_fp16_4b.bmodel 142.57 11.13 62.73 0.01
SE9-16 c3d_bmcv.soc c3d_int8_1b.bmodel 143.75 11.41 25.50 0.02
SE9-16 c3d_bmcv.soc c3d_int8_4b.bmodel 142.03 10.91 22.48 0.01
SE9-16 c3d_opencv.py c3d_fp32_1b_2core.bmodel 92.42 42.31 413.57 0.13
SE9-16 c3d_opencv.py c3d_fp32_4b_2core.bmodel 94.70 50.44 397.63 0.05
SE9-16 c3d_opencv.py c3d_fp16_1b_2core.bmodel 92.57 41.98 64.42 0.13
SE9-16 c3d_opencv.py c3d_fp16_4b_2core.bmodel 94.33 50.32 58.00 0.04
SE9-16 c3d_opencv.py c3d_int8_1b_2core.bmodel 92.22 42.16 31.64 0.13
SE9-16 c3d_opencv.py c3d_int8_4b_2core.bmodel 94.32 50.60 29.26 0.04
SE9-16 c3d_opencv.soc c3d_fp32_1b_2core.bmodel 132.71 387.49 404.24 0.02
SE9-16 c3d_opencv.soc c3d_fp32_4b_2core.bmodel 133.12 387.29 388.47 0.01
SE9-16 c3d_opencv.soc c3d_fp16_1b_2core.bmodel 132.91 387.52 55.13 0.02
SE9-16 c3d_opencv.soc c3d_fp16_4b_2core.bmodel 133.25 387.12 48.66 0.01
SE9-16 c3d_opencv.soc c3d_int8_1b_2core.bmodel 132.66 387.34 22.35 0.02
SE9-16 c3d_opencv.soc c3d_int8_4b_2core.bmodel 132.56 387.10 19.32 0.01
SE9-16 c3d_bmcv.soc c3d_fp32_1b_2core.bmodel 143.02 11.32 404.23 0.02
SE9-16 c3d_bmcv.soc c3d_fp32_4b_2core.bmodel 142.85 10.80 388.46 0.01
SE9-16 c3d_bmcv.soc c3d_fp16_1b_2core.bmodel 142.27 11.26 55.10 0.02
SE9-16 c3d_bmcv.soc c3d_fp16_4b_2core.bmodel 142.10 10.93 48.67 0.01
SE9-16 c3d_bmcv.soc c3d_int8_1b_2core.bmodel 142.53 11.21 22.31 0.02
SE9-16 c3d_bmcv.soc c3d_int8_4b_2core.bmodel 142.31 10.81 19.31 0.01
SE9-8 c3d_opencv.py c3d_fp32_1b.bmodel 91.67 41.95 427.43 0.13
SE9-8 c3d_opencv.py c3d_fp32_4b.bmodel 93.11 50.04 403.67 0.05
SE9-8 c3d_opencv.py c3d_fp16_1b.bmodel 91.76 42.03 85.14 0.13
SE9-8 c3d_opencv.py c3d_fp16_4b.bmodel 88.07 49.75 75.09 0.05
SE9-8 c3d_opencv.py c3d_int8_1b.bmodel 86.82 42.07 41.89 0.13
SE9-8 c3d_opencv.py c3d_int8_4b.bmodel 87.39 49.91 37.04 0.04
SE9-8 c3d_opencv.soc c3d_fp32_1b.bmodel 120.19 33.83 418.01 0.02
SE9-8 c3d_opencv.soc c3d_fp32_4b.bmodel 119.16 33.51 394.04 0.01
SE9-8 c3d_opencv.soc c3d_fp16_1b.bmodel 119.90 33.60 75.82 0.02
SE9-8 c3d_opencv.soc c3d_fp16_4b.bmodel 118.36 33.43 66.01 0.01
SE9-8 c3d_opencv.soc c3d_int8_1b.bmodel 119.01 33.79 32.55 0.02
SE9-8 c3d_opencv.soc c3d_int8_4b.bmodel 118.10 33.40 27.83 0.01
SE9-8 c3d_bmcv.soc c3d_fp32_1b.bmodel 130.30 9.05 418.00 0.02
SE9-8 c3d_bmcv.soc c3d_fp32_4b.bmodel 130.70 8.84 394.03 0.01
SE9-8 c3d_bmcv.soc c3d_fp16_1b.bmodel 131.08 9.00 75.79 0.02
SE9-8 c3d_bmcv.soc c3d_fp16_4b.bmodel 128.82 8.75 66.03 0.01
SE9-8 c3d_bmcv.soc c3d_int8_1b.bmodel 130.24 8.95 32.53 0.02
SE9-8 c3d_bmcv.soc c3d_int8_4b.bmodel 128.00 8.81 27.79 0.01

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. SE5-16/SE7-32的主控处理器均为8核[email protected]，SE9-16的主控处理器为8核[email protected]，SE9-8为6核[email protected]，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。
  5. C3D的后处理只有argmax，耗时很短，可以忽略。

8. FAQ

请参考FAQ查看一些常见的问题与解答。