器件型号： TDA4VM-Q1
主题中讨论的其他器件： Midas
我从 TI 的 modelzoo (https://github.com/TexasInstruments/edgeai-modelzoo) 获取了 MidasSmall 、并由此生成了工件、使用在 TIDLRT 上生成的工件时、在板上运行 onnxrt_ep.py 和 TIDLRT 后生成的输出与此处的精度下降不同
为了供您参考、我分享了 onnxrt_ep.py 和 TIDLRT (Classification.cpp) 的预处理和后处理 proc
Onnxrt_ep.py
下面是预处理
DEF 推断_图像 (sess、image_files、config)：
'''
调用运行时会话
:param sess:运行时会话
:param image_files:输入图像文件名列表
:param config:配置字典
:返回:输入图像
:返回:输出张量
:返回:总处理时间
:返回:子图处理时间
:返回:输入张量的高度
:返回:输入张量的宽度
'''
#获取会话的输入详细信息
input_details = sess.get_inputs()
input_name = input_details[0].name
float_model = input_details[0].type =“tensor (float)“
高度= input_details[0].shape[2]
width = input_details[0].shape[3]
通道= input_details[0].shape[1]
批处理= input_details[0].shape[0]
IMG =[]
形状=【批次，通道，高度，宽度】
#准备输入数据
input_data = np.zero（形状）
对于 I IN 范围（批次）：
imgs.append(
image.open (image_files[i])
.convert（“RGB")“）
.resize（宽度，高度）、PIL.Image.Lanczos)
)
Temp_input_data = np.expand_dims (imgs[i]、axis=0)
Temp_input_data = np.transposal (temp_input_data、(0、3、1、2))
INPUT_DATA[i]= temp_input_data[0]
如果是 float_model：
INPUT_DATA = NP.float32 (INPUT_DATA)
对于 Mean、scale、ch in zip(
CONFIG[“session"]["input_mean"]，“，</s>“ “、
CONFIG[“session"]["input_SCALE "]“ "]，“，</s>“ 、
范围 (input_data.shape[1])、
)：
input_data[:、ch、:、:]=(input_data[:、ch、 ：、：]-均值）*比例
否则：
INPUT_DATA = np.uint8 (INPUT_DATA)
CONFIG[“session"]["input_mean"]=“=[0“[0，“，0、0、0]
CONFIG[“session"]["input_SCALE "]“ "]=“=[1“[1、1、1]
#调用会话
start_time = time.time ()
输出= list (sess.run（None、｛input_name：input_data｝）
stop_time = time.time ()
推断时间= stop_time - start_time
COPY_TIME、sub_graphs_proc_time、totaltime、DDR_bw = get_benchmark_output (SESS)
proc_time = totaltime - copy_time
返回 IM、输出、proc_time、sub_graphs_proc_time、DDR_bw、 高度、宽度
postproc 如下
Elif CONFIG[“task_type"]=="midasTI"“=="midasTI"：“：</s>“
#运行输出
深度= OUTPUT [0] #[1、1、H、W]
打印（“输出形状：“、depth.shape)
#挤压到[H, W]
depth_np = depth.express ()
#标准化为 0–255（完全像你的独立脚本）
depth_norm =(depth_NP - depth_np.min ())/(
depth_np.max ()- depth_np.min ()
255.
cv2.imwrite（“depth_result.png “、depth_norm.astype (np.uint8))
depth512 = CV2.resize (depth_norm、(512,512)、插值= CV2.inter_cubic)
depth1920 = cv2.resize (depth_norm、(1,920,1080)、插值= cv2.inter_cubic)
CV2.imwrite（“Depth_1920.png"，“，depth1920、depth1920)
CV2.imwrite（“Depth_512.png"，“，depth512、depth512)
打印（“已保存：depth_result.png “）
打印（“已保存：depth_1920.png“）
打印（“已保存：depth_512.png“）
belos 是 TIDLRT 的预处理和后处理
下面是预处理
模板
int preprocImageMidasTI (const std：：string &input_image_name、T *out、int wanged_height、int wanged_width、int wanged_channels、 浮点数*平均值、浮点数*标度）
｛
int i；
uint8_t *pSrc；
CV：：Mat image = cv：：imread (input_image_name、cv：：IMREAD_COLOR)；
CV：：cvtColor（图像，CV：：COLOR_BGR2RGB）；
// cv：：resize（图像，图像，cv：：size (wanged_width、wanged_height)、0、 0、cv：：inter_area)；
cv：：resize（图像，图像，cv：：size (wanged_width、wanged_height)、0、 0、cv：：inter_cubic)；
if (image.channels！= wanged_channels)
｛
printf（“警告:所需的通道数与实际图像中的通道数不同\n“）;
返回（–1)；
}
pSrc =(uint8_t *) image.data；
for (i = 0；i < waned_height * waned_width * waned_channels；i++)
｛
INT channel = I % waned_channels；
OUT[i]=((T) pSrc[i]- mean[channel])/ scale[channel]；
}
cv：：imwrite（“preProcImage.png “，图像）；
printf（“已保存深度图：preProcImage.png \n“）；
返回 0；
}
下面是 postproc
void postProcMidasTI (float *depth_data)
｛
// float *depth_data =(float *) out[j]->ptr；
INT TOTAL = MIDAS_W_H * MIDAS_W_H；
//查找最小值和最大值
float min_val = depth_data[0]；
float max_val = depth_data[0]；
for (int i = 1；i < total；i++)
｛
if (depth_data[i]< min_val) min_val = depth_data[i]；
if (depth_data[i]> max_val) max_val = depth_data[i]；
}
printf（“深度最小值：%f\n“、min_val)；
printf（“Depth max：%f\n“、max_val)；
//标准化为 0-255 并保存
CV：：Mat depth_map (MIDAS_W_H、MIDAS_W_H、CV_8UC1)；
for (int i = 0；i < total；i++)
｛
depth_map.data[i]=(uint8_t)(
((depth_data[i]- min_val)/
(max_val - min_val))* 255.0f)；
}
CV：：imwrite（“Depth_result.png “、depth_map)；
printf（“已保存深度图：depth_result.png\n“）；
}
