Skip to content

Latest commit

 

History

History
319 lines (278 loc) · 25.9 KB

README.md

File metadata and controls

319 lines (278 loc) · 25.9 KB
Raw

YOLOv8-pose

目录

1. 简介

​YOLOv8是YOLO系列的的一个重大更新版本，它抛弃了以往的YOLO系类模型使用的Anchor-Base，采用了Anchor-Free的思想。YOLOv8建立在YOLO系列成功的基础上，通过对网络结构的改造，进一步提升其性能和灵活性。本例程对​YOLOv8官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684/BM1684X/BM1688/CV186X上进行推理测试。

2. 特性

  • 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)、BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1684X/BM1688/CV186X)、INT8模型编译和推理
  • 支持基于BMCV预处理的C++推理
  • 支持基于OpenCV和BMCV预处理的Python推理
  • 支持单batch和多batch模型推理
  • 支持1个输出模型推理
  • 支持图片和视频测试

3. 准备模型与数据

建议使用TPU-MLIR编译BModel，在使用TPU-MLIR编译前需要导出ONNX模型。具体可参考YOLOv8模型导出。

​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。

​本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 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，模型保存至models/，测试数据集下载并解压至datasets/test/，精度测试数据集下载并解压至datasets/coco/val2017_1000/，量化数据集下载并解压至datasets/coco128/

下载的模型包括：
./models
├── BM1684
│   ├── yolov8s-pose_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   ├── yolov8s-pose_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│   └── yolov8s-pose_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│   ├── yolov8s-pose_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── yolov8s-pose_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   ├── yolov8s-pose_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│   └── yolov8s-pose_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── BM1688
│   ├── yolov8s-pose_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=1
│   ├── yolov8s-pose_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=1
│   ├── yolov8s-pose_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=1
│   ├── yolov8s-pose_int8_4b.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=1
│   ├── yolov8s-pose_fp32_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│   ├── yolov8s-pose_fp16_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│   ├── yolov8s-pose_int8_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│   └── yolov8s-pose_int8_4b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=2
├── CV186X
│   ├── yolov8s-pose_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│   ├── yolov8s-pose_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│   ├── yolov8s-pose_int8_1b.bmodel   # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│   └── yolov8s-pose_int8_4b.bmodel   # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=4
│── torch
│   └── yolov8s-pose.pt        # pytorch模型
└── onnx
    └── yolov8s-pose.onnx      # 导出的动态onnx模型

下载的数据包括：

./datasets
├── test                                      # 测试图片
├── dance_1080P.mp4                           # 测试视频
├── coco128                                   # coco128数据集，用于模型量化
└── coco                                      
    ├── val2017_1000                          # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
    └── person_keypoints_val2017_1000.json    # coco val2017_1000数据集标签文件，用于计算精度评价指标

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yolov8s-pose_fp32_1b.bmodel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yolov8s-pose_fp16_1b.bmodel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），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yolov8s-pose_int8_1b.bmodel等文件，即转换好的INT8 BModel。

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，注意修改数据集(datasets/coco/val2017_1000)和相关参数(conf_thresh=0.001、nms_thresh=0.6)。
然后，使用tools目录下的eval_coco.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，计算出目标检测的评价指标，命令如下：

# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/person_keypoints_val2017_1000.json --result_json results/yolov8s-pose_fp32_1b.bmodel_val2017_1000_opencv_python_result.json

6.2 测试结果

在datasets/coco/val2017_1000数据集上，参数设置为nms_thresh=0.7,conf_thresh=0.001,精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
SE5-16 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 0.575 0.801
SE5-16 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 0.491 0.769
SE5-16 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 0.491 0.769
SE5-16 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 0.576 0.802
SE5-16 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 0.490 0.762
SE5-16 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 0.490 0.762
SE5-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 0.576 0.802
SE5-16 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 0.491 0.771
SE5-16 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 0.491 0.771
SE7-32 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 0.575 0.801
SE7-32 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.801
SE7-32 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 0.553 0.801
SE7-32 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 0.553 0.801
SE7-32 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 0.574 0.793
SE7-32 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.793
SE7-32 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 0.554 0.801
SE7-32 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 0.554 0.801
SE7-32 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 0.574 0.802
SE7-32 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 0.575 0.802
SE7-32 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 0.553 0.791
SE7-32 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 0.553 0.791
SE9-16 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 0.575 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 0.553 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 0.553 0.801
SE9-16 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 0.550 0.791
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 0.550 0.791
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 0.551 0.800
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 0.551 0.800
SE9-16 yolov8_opencv.py yolov8s-pose_fp32_1b_2core.bmodel 0.575 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_fp16_1b_2core.bmodel 0.574 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_int8_1b_2core.bmodel 0.553 0.801
SE9-16 yolov8_opencv.py yolov8s-pose_int8_4b_2core.bmodel 0.553 0.801
SE9-16 yolov8_bmcv.py yolov8s-pose_fp32_1b_2core.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.py yolov8s-pose_fp16_1b_2core.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_1b_2core.bmodel 0.550 0.791
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_4b_2core.bmodel 0.550 0.791
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b_2core.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp16_1b_2core.bmodel 0.574 0.793
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_1b_2core.bmodel 0.551 0.800
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_4b_2core.bmodel 0.551 0.800
SE9-8 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 0.575 0.801
SE9-8 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.801
SE9-8 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 0.553 0.801
SE9-8 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 0.553 0.801
SE9-8 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 0.574 0.793
SE9-8 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 0.574 0.793
SE9-8 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 0.550 0.791
SE9-8 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 0.550 0.791
SE9-8 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 0.574 0.793
SE9-8 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 0.574 0.793
SE9-8 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 0.551 0.800
SE9-8 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 0.551 0.800

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. AP@IoU=0.5:0.95为area=all对应的指标。
  3. 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/yolov8s-pose_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才是每张图片的理论推理时间。 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/yolov8s-pose_fp32_1b.bmodel 27.65
BM1684/yolov8s-pose_int8_1b.bmodel 16.12
BM1684/yolov8s-pose_int8_4b.bmodel 7.73
BM1684X/yolov8s-pose_fp32_1b.bmodel 31.02
BM1684X/yolov8s-pose_fp16_1b.bmodel 5.68
BM1684X/yolov8s-pose_int8_1b.bmodel 3.14
BM1684X/yolov8s-pose_int8_4b.bmodel 2.83
BM1688/yolov8s-pose_fp32_1b.bmodel 172.01
BM1688/yolov8s-pose_fp16_1b.bmodel 35.40
BM1688/yolov8s-pose_int8_1b.bmodel 7.83
BM1688/yolov8s-pose_int8_4b.bmodel 7.53
BM1688/yolov8s-pose_fp32_1b_2core.bmodel 91.35
BM1688/yolov8s-pose_fp16_1b_2core.bmodel 20.67
BM1688/yolov8s-pose_int8_1b_2core.bmodel 6.93
BM1688/yolov8s-pose_int8_4b_2core.bmodel 4.78
CV186X/yolov8s-pose_fp32_1b.bmodel 176.24
CV186X/yolov8s-pose_fp16_1b.bmodel 37.41
CV186X/yolov8s-pose_int8_1b.bmodel 9.36
CV186X/yolov8s-pose_int8_4b.bmodel 9.12

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  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/coco/val2017_1000，conf_thresh=0.25, nms_thresh=0.7，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 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 7.65 21.60 32.32 2.47
SE5-16 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 6.83 21.76 20.85 2.45
SE5-16 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 6.84 23.48 11.73 2.23
SE5-16 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 3.60 2.83 29.43 2.47
SE5-16 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 3.60 2.82 17.87 2.41
SE5-16 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 3.45 2.64 9.09 2.21
SE5-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 4.85 1.56 27.60 0.69
SE5-16 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 4.97 1.57 16.07 0.69
SE5-16 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 4.74 1.49 7.72 0.63
SE7-32 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 17.72 25.24 37.31 2.57
SE7-32 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 14.80 24.68 11.87 2.57
SE7-32 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 14.21 24.92 9.28 2.54
SE7-32 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 14.39 27.58 8.22 2.35
SE7-32 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 3.39 2.54 33.44 2.59
SE7-32 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 3.28 2.46 7.97 2.55
SE7-32 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 3.44 2.62 5.59 2.60
SE7-32 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 3.40 2.61 4.74 2.43
SE7-32 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 5.73 1.02 31.14 0.89
SE7-32 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 5.10 0.80 5.62 0.83
SE7-32 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 5.04 0.80 3.09 0.80
SE7-32 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 4.87 0.75 2.82 0.70
SE9-16 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 9.42 29.95 178.69 3.48
SE9-16 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 9.38 29.91 42.10 3.47
SE9-16 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 9.36 29.44 14.49 3.48
SE9-16 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 9.40 32.01 13.23 3.19
SE9-16 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 4.32 4.93 174.68 3.47
SE9-16 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 4.33 4.89 37.94 3.47
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 4.28 4.87 10.41 3.49
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 4.19 4.55 9.47 3.19
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 5.72 1.85 171.94 0.98
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 5.80 1.85 35.33 0.97
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 5.73 1.84 7.74 0.96
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 5.58 1.74 7.52 0.89
SE9-16 yolov8_opencv.py yolov8s-pose_fp32_1b_2core.bmodel 9.41 29.46 97.98 3.49
SE9-16 yolov8_opencv.py yolov8s-pose_fp16_1b_2core.bmodel 9.39 29.95 27.32 3.46
SE9-16 yolov8_opencv.py yolov8s-pose_int8_1b_2core.bmodel 9.37 29.81 13.65 3.49
SE9-16 yolov8_opencv.py yolov8s-pose_int8_4b_2core.bmodel 9.41 32.07 10.34 3.18
SE9-16 yolov8_bmcv.py yolov8s-pose_fp32_1b_2core.bmodel 4.33 4.91 93.90 3.48
SE9-16 yolov8_bmcv.py yolov8s-pose_fp16_1b_2core.bmodel 4.34 4.90 23.20 3.50
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_1b_2core.bmodel 4.31 4.88 9.49 3.50
SE9-16 yolov8_bmcv.py yolov8s-pose_int8_4b_2core.bmodel 4.22 4.56 6.75 3.20
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp32_1b_2core.bmodel 5.81 1.83 91.25 0.97
SE9-16 yolov8_bmcv.soc yolov8s-pose_fp16_1b_2core.bmodel 5.75 1.84 20.59 0.97
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_1b_2core.bmodel 5.78 1.84 6.85 0.96
SE9-16 yolov8_bmcv.soc yolov8s-pose_int8_4b_2core.bmodel 5.57 1.74 4.79 0.89
SE9-8 yolov8_opencv.py yolov8s-pose_fp32_1b.bmodel 9.42 29.57 182.99 3.49
SE9-8 yolov8_opencv.py yolov8s-pose_fp16_1b.bmodel 9.42 29.57 44.01 3.46
SE9-8 yolov8_opencv.py yolov8s-pose_int8_1b.bmodel 9.41 30.34 15.95 3.47
SE9-8 yolov8_opencv.py yolov8s-pose_int8_4b.bmodel 9.48 32.95 14.85 3.19
SE9-8 yolov8_bmcv.py yolov8s-pose_fp32_1b.bmodel 4.14 4.59 179.02 3.49
SE9-8 yolov8_bmcv.py yolov8s-pose_fp16_1b.bmodel 4.14 4.57 39.96 3.50
SE9-8 yolov8_bmcv.py yolov8s-pose_int8_1b.bmodel 4.13 4.59 11.90 3.51
SE9-8 yolov8_bmcv.py yolov8s-pose_int8_4b.bmodel 4.01 4.26 11.03 3.22
SE9-8 yolov8_bmcv.soc yolov8s-pose_fp32_1b.bmodel 5.60 1.75 176.26 1.00
SE9-8 yolov8_bmcv.soc yolov8s-pose_fp16_1b.bmodel 5.76 1.75 37.29 0.98
SE9-8 yolov8_bmcv.soc yolov8s-pose_int8_1b.bmodel 5.66 1.75 9.26 0.98
SE9-8 yolov8_bmcv.soc yolov8s-pose_int8_4b.bmodel 5.49 1.65 9.12 0.89

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CA53@2.3GHz，SE9-16为8核CA53@1.6GHz，SE9-8为6核CA53@1.6GHz，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。

8. FAQ

请参考FAQ查看一些常见的问题与解答。