5.18.4.2. sail.algo_yolov5_post_3output
针对以三输出YOLOv5模型的后处理接口，内部使用线程池的方式实现。
5.18.4.2.1. __init__
- 接口形式:
def __init__( self, shape: list[list[int]], network_w:int = 640, network_h:int = 640, max_queue_size: int=20, input_use_multiclass_nms: bool=True, agnostic: bool=False)
参数说明:
shape: list[list[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。
input_use_multiclass_nms: bool
输入参数。使用多分类NMS,每个框具有多个类别。
agnostic: bool
输入参数。使用不考虑类别的NMS算法。
5.18.4.2.2. push_data
输入数据，支持任意batchsize的输入。
- 接口形式1:
def push_data(self, channel_idx: list[int], image_idx: list[int], input_data: list[TensorPTRWithName], dete_threshold: list[float], nms_threshold: list[float], ost_w: list[int], ost_h: list[int], padding_attrs: list[list[int]]) -> int
参数说明1:
channel_idx: list[int]
输入参数。输入图像序列的通道号。
image_idx: list[int]
输入参数。输入图像序列的编号。
input_data: list[TensorPTRWithName],
输入参数。输入数据，包含三个输出。
dete_threshold: list[float]
输入参数。检测阈值序列。
nms_threshold: list[float]
输入参数。nms阈值序列。
ost_w: list[int]
输入参数。原始图片序列的宽。
ost_h: list[int]
输入参数。 原始图片序列的高。
padding_attrs: list[list[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。
- 接口形式2:
def push_data(self, channel_idx: list[int], image_idx: list[int], input_data: list[TensorPTRWithName], dete_threshold: list[list[float]], nms_threshold: list[float], ost_w: list[int], ost_h: list[int], padding_attrs: list[list[int]]) -> int
参数说明2:
channel_idx: list[int]
输入参数。输入图像序列的通道号。
image_idx: list[int]
输入参数。输入图像序列的编号。
input_data: list[TensorPTRWithName],
输入参数。输入数据，包含三个输出。
dete_threshold: list[list[float]]
输入参数。检测阈值序列。
nms_threshold: list[float]
输入参数。nms阈值序列。
ost_w: list[int]
输入参数。原始图片序列的宽。
ost_h: list[int]
输入参数。 原始图片序列的高。
padding_attrs: list[list[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。
5.18.4.2.3. get_result_npy
获取最终的检测结果
- 接口形式:
def get_result_npy(self) -> tuple[tuple[int, int, int, int, int, float],int, int]
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。
5.18.4.2.4. reset_anchors
更新anchor尺寸.
- 接口形式:
def reset_anchors(self, anchors_new: list[list[list[int]]]) -> int
参数说明:
anchors_new: list[list[list[int]]]
要更新的anchor尺寸列表.
返回值说明:
成功返回0，其他值表示失败。
- 示例代码:
import sophon.sail as sail import numpy as np if __name__ == '__main__': tpu_id = 0 handle = sail.Handle(tpu_id) image_name = "../../../sophon-demo/sample/YOLOv5/datasets/test/3.jpg" bmodel_name = "../../../sophon-demo/sample/YOLOv5/models/BM1684X/yolov5s_v6.1_3output_int8_1b.bmodel" decoder = sail.Decoder(image_name,True,tpu_id) bmimg = decoder.read(handle) engine_image_pre_process = sail.EngineImagePreProcess(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) alpha_beta = (1.0/255,0),(1.0/255,0),(1.0/255,0) engine_image_pre_process.SetConvertAtrr(alpha_beta) ret = engine_image_pre_process.PushImage(0,0, bmimg) engine_image_pre_process output_tensor_map, ost_images, channels ,imageidxs, padding_atrr = engine_image_pre_process.GetBatchData(True) width_list = [] height_list= [] for index, channel in enumerate(channels): width_list.append(ost_images[index].width()) height_list.append(ost_images[index].height()) yolov5_post = sail.algo_yolov5_post_3output([[1, 3, 20, 20, 85],[1, 3, 40, 40, 85],[1, 3, 80, 80, 85]],640,640,10) dete_thresholds = np.ones(len(channels),dtype=np.float32) nms_thresholds = np.ones(len(channels),dtype=np.float32) dete_thresholds = 0.2*dete_thresholds nms_thresholds = 0.5*nms_thresholds ret = yolov5_post.push_data(channels, imageidxs, output_tensor_map, dete_thresholds, nms_thresholds, width_list, height_list, padding_atrr) objs, channel, image_idx = yolov5_post.get_result_npy() print(objs, channel, image_idx)