4.17.5.1. algo_yolox_post
针对YOLOX模型的后处理接口，内部使用线程池的方式实现。
4.17.5.1.1. 构造函数
- 接口形式:
algo_yolox_post(const std::vector<int>& shape, int network_w=640, int network_h=640, int max_queue_size=20);
参数说明:
shape: std::vector<int>
输入参数。输入数据的shape。
network_w: int
输入参数。模型的输入宽度，默认为640。
network_h: int
输入参数。模型的输入宽度，默认为640。
max_queue_size: int
输入参数。缓存数据的最大长度。
4.17.5.1.2. push_data
输入数据，支持batchsize不为1的输入。
- 接口形式:
int push_data( std::vector<int> channel_idx, std::vector<int> image_idx, TensorPTRWithName input_data, std::vector<float> dete_threshold, std::vector<float> nms_threshold, std::vector<int> ost_w, std::vector<int> ost_h, std::vector<std::vector<int>> padding_attr);
参数说明:
channel_idx: std::vector<int>
输入参数。输入图像序列的通道号。
image_idx: std::vector<int>
输入参数。输入图像序列的编号。
input_data: TensorPTRWithName
输入参数。输入数据。
dete_threshold: std::vector<float>
输入参数。检测阈值序列。
nms_threshold: std::vector<float>
输入参数。nms阈值序列。
ost_w: std::vector<int>
输入参数。原始图片序列的宽。
ost_h: std::vector<int>
输入参数。 原始图片序列的高。
padding_attrs: std::vector<std::vector<int> >
输入参数。填充图像序列的属性列表，填充的起始点坐标x、起始点坐标y、尺度变换之后的宽度、尺度变换之后的高度。
返回值说明:
成功返回0，其他值表示失败。
4.17.5.1.3. get_result_npy
获取最终的检测结果
- 接口形式:
std::tuple<std::vector<std::tuple<int, int, int, int ,int, float>>,int,int> get_result_npy();
返回值说明: tuple[tuple[left, top, right, bottom, class_id, score],channel_idx, image_idx]
left: int
检测结果最左x坐标。
top: int
检测结果最上y坐标。
right: int
检测结果最右x坐标。
bottom: int
检测结果最下y坐标。
class_id: int
检测结果的类别编号。
score: float
检测结果的分数。
channel_idx: int
原始图像的通道号。
image_idx: int
原始图像的编号。
- 示例代码:
#include <stdio.h> #include <sail/cvwrapper.h> #include <sail/tensor.h> #include <sail/algokit.h> #include <iostream> #include <string> #include <vector> #include <cmath> int main() { int tpu_id = 0; sail::Handle handle(tpu_id); std::string image_name = "../../../sophon-demo/sample/YOLOv5/datasets/test/3.jpg"; std::string bmodel_name = "../../../sophon-demo/sample/YOLOX/models/BM1684X/yolox_int8_1b.bmodel"; sail::Decoder decoder(image_name, true, tpu_id); sail::BMImage BMimg = decoder.read(handle); sail::EngineImagePreProcess engine_image_pre_process(bmodel_name, tpu_id, 0); engine_image_pre_process.InitImagePreProcess(sail.sail_resize_type.BM_PADDING_TPU_LINEAR, true, 10, 10); engine_image_pre_process.SetPaddingAtrr(114, 114, 114, 1); std::vector<std::pair<float, float>> alpha_beta = {{1.0/255, 0}, {1.0/255, 0}, {1.0/255, 0}}; engine_image_pre_process.SetConvertAtrr(alpha_beta); bool ret = engine_image_pre_process.PushImage(0, 0, BMimg); std::map<std::string,sail::Tensor*> output_tensor_map; std::vector<sail::BMImage> ost_images; int channels = 0; std::vector<int> imageidxs; std::vector<int> padding_atrr; engine_image_pre_process.GetBatchData(output_tensor_map, ost_images, channels, imageidxs, padding_atrr); std::vector<int> width_list; std::vector<int> height_list; for (int index = 0; index < channels; index++) { width_list.push_back(ost_images[index].width()); height_list.push_back(ost_images[index].height()); } sail::algo_yolox_post yolox_post(std::vector<std::vector<int>>{{1, 3, 20, 20, 85}, {1, 3, 40, 40, 85}, {1, 3, 80, 80, 85}}, 640, 640, 10); std::vector<float> dete_thresholds = {0.2f, 0.2f, 0.2f}; std::vector<float> nms_thresholds = {0.5f, 0.5f, 0.5f}; ret = yolox_post.push_data(channels, imageidxs, output_tensor_map, dete_thresholds, nms_thresholds, width_list, height_list, padding_atrr); std::vector<std::tuple<int, int, int, int, int, float>> detection_results; int channel_idx, image_idx; std::tie(detection_results, channel_idx, image_idx) = yolox_post.get_result_npy(); std::cout << "Detection Results:" << std::endl; for (const auto& detection : detection_results) { int left, top, right, bottom, class_id; float score; std::tie(left, top, right, bottom, class_id, score) = detection; std::cout << "Box: (" << left << ", " << top << ", " << right << ", " << bottom << ")" << " Class ID: " << class_id << " Score: " << score << std::endl; } std::cout << "Channel Index: " << channel_idx << " Image Index: " << image_idx << std::endl; return 0; }