X3芯片概述

BPU是地平線自研的AI加速核，在設計過程中具體結合了AIoT/Auto的場景需求，從算法、計算架構、編譯器三個方面進行了軟硬協同優化，使得在功耗不變前提下提高數倍的AI計算性能。
X3和J3芯片各內置了兩個伯努利2.0的BPU核，它極大提升了對先進CNN網絡的支持，同時大大降低了DDR帶寬占用率，可提供實時像素級視頻分割和結構化視頻分析等能力。

詳細的內容請參考地平線芯片開發手冊

1.圖片分類任務

這里主要對樣例中提供的程序進行測試

首先是系統中提供的圖片分類任務樣例

cd /app/ai_inference/01_basic_sample/
sudo python3 ./test_mobilenetv1.py

在test_mobilenetv1.py中對斑馬的圖片進行了分類，得到的結果如下，通過查看標簽編號340: 'zebra'實現了對圖片的準確分類。

========== Classification result ==========
cls id: 340 Confidence: 0.991851

為了簡單測試下分類算法的結果。使用其他圖片進行測試，發現在特征明顯時圖片分類準確度較高，如對背景干凈，特征清晰的金魚達到了0.999884的置信度，1: 'goldfish, Carassius auratus'，也存在圖片分類錯誤的情況存在，如對于玉米進行檢測時998: 'ear, spike, capitulum'。

========== Classification result ==========
cls id: 1 Confidence: 0.999884

========== Classification result ==========
cls id: 998 Confidence: 0.753721

2.fcos目標檢測快速驗證

使用目標檢測樣例

cd /app/ai_inference/02_usb_camera_sample/
python3 usb_camera_fcos.py

在初探中已經對其進行簡單展示，這里將代碼進行簡單分析，主要包括以下5個部分

其中加載模型 和模型正演為地平線封裝的模型方法，from hobot_dnn import pyeasy_dnn as dnn

hdmi顯示時地平線封裝的vio方法，from hobot_vio import libsrcampy as srcampy

加載的模型是通過地平線工具鏈編譯的bin模型fcos_512x512_nv12.bin，在運行中會對輸入和輸出的tensor進行打印，可以看出輸入的是512x512的圖像信息，輸入為15個tensor，其中輸出包括了檢測框坐標、類別、置信度得分等。

tensor type: NV12_SEPARATE
data type: uint8
layout: NCHW
shape: (1, 3, 512, 512)
15
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 64, 64, 80)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 32, 32, 80)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 16, 16, 80)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 8, 8, 80)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 4, 4, 80)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 64, 64, 4)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 32, 32, 4)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 16, 16, 4)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 8, 8, 4)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 4, 4, 4)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 64, 64, 1)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 32, 32, 1)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 16, 16, 1)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 8, 8, 1)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 4, 4, 1)

3.改用YOLOv5進行目標檢測

更換YOLOv5模型進行目標檢測，由于工具鏈中提供了編譯后的YOLOv5模型，這里可以對其直接使用，工具鏈相關資料在AI工具鏈資料包其中

horizon_xj3_open_explorer_v1.11.4_20220413\ddk\samples\ai_toolchain\model_zoo\runtime\yolov5

直接在usb_camera_fcos.py中進行模型的替換

models = dnn.load('../models/yolov5_672x672_nv12.bin')

對輸入輸出進行打印，可以看到輸入是一個 (1, 3, 672, 672)的tensor，而輸出為3層的tensor，輸出的不同代表著需要對模型后處理進行重寫。

tensor type: NV12_SEPARATE
data type: uint8
layout: NCHW
shape: (1, 3, 672, 672)
3
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 84, 84, 255)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 42, 42, 255)
tensor type: float32
data type: float32
layout: NHWC
shape: (1, 21, 21, 255)

在這里我找到之前地平線對YOLOv5的后處理的相關代碼和說明，這個位于\horizon_xj3_open_explorer_v1.11.4_20220413\ddk\samples\ai_toolchain\horizon_model_convert_sample\04_detection\03_yolov5\mapper

1.4 對于 YOLOv5 模型，我們在模型結構上的修改點主要在于幾個輸出節點處。由于目前的浮點轉換工具鏈暫時不支持 5 維的 Reshape，所以我們在 prototxt中進行了刪除，并將其移至后處理中執行。同時我們還添加了一個 transpose 算子，使該節點將以 NHWC 進行輸出。這是因為在地平線芯片中， BPU 硬件本身以 NHWC 的layout 運行，這樣修改后可以讓 BPU 直接輸出結果，而不在量化模型中引入額外的transpose。 詳情請見文檔中benchmark部分的圖文介紹

根據說明可以看到YOLOv5應該屬于異構量化，部分網絡在后處理中執行，這也就代表需要更多的處理時間。在對于樣例中給出的fcos的代碼，我們主要在后處理處做出相應的調整，并將類別展示做出更換，其中主要代碼也是參考了地平線中給出的YOLOv5的公開代碼，做了部分的修改。

檢測結果：

運行指令

python3 usb_camera_yolov5.py

將檢測結果輸出，可以看到對環境中的大部分物品做出了及時的檢測，置信度也很高。

對時間進行統計，檢測的時間根據實際環境中的復雜度變化而變化，經過實際測試發現在0.5s~0.8s之間，檢測結果較快。主要對cv_time（獲取圖像并縮放到模型的輸入尺寸）、forward_time（模型的正向推演）、postprocess_time（后處理）時間進行了統計，其中模型量化后的時間主要是Forward_time，可以看到需要的時間較短，表明模型的量化有效的減少了檢測時間。占用的時間主要集中在后處理和顯示，還有優化的空間。

time: 0.8004379272460938
cv_time         =  0.15749073028564453
Forward_time    =  0.06625533103942871
postprocess_time=  0.38094043731689453
chair is in the picture with confidence:0.8259
pottedplant is in the picture with confidence:0.7951
tvmonitor is in the picture with confidence:0.7798
tvmonitor is in the picture with confidence:0.4708
tvmonitor is in the picture with confidence:0.4420
time: 0.8241267204284668
cv_time         =  0.1624467372894287
Forward_time    =  0.06629300117492676
postprocess_time=  0.3649098873138428
chair is in the picture with confidence:0.6791
pottedplant is in the picture with confidence:0.7784
tvmonitor is in the picture with confidence:0.7809
tvmonitor is in the picture with confidence:0.5400

4.使用工具鏈量化模型

查看工具鏈介紹主要有以下兩種方式：

這里使用浮點轉定點工具鏈，這種方法適用于最多的模型，詳細介紹可以去查看數據鏈的視頻。使用wegt下在docker文件，安裝docker讀取鏡像

docker image ls
docker run -it hub.hobot.cc/aitools/ai_toolchain_centos_7_xj3:v2.1.7 /bin/bash

這里發現其中有YOLOv5s的相關內容，使用該模型進行快速部署

cd /open_explorer/horizon_xj3_open_explorer_v2.1.7_20220520/ddk/samples/ai_toolchain/horizon_model_convert_sample/04_detection/03_yolov5s/mapper
bash 01_check.sh
bash 02_preprocess.sh
bash 03_build.sh   #此步驟需要耗費一定時間

在model_output中輸出了yolov5s_672x672_nv12.bin ，由于輸出模型一致，直接在板子代碼中修改運行，得到了與YOLO相似的效果。

原作者：Tobark