您好！
我们正在使用 TIDL 进行人脸检测。 我们有一个 CNN 网络、它接收输入图像并提供类信息以及边界框信息。 我们已经使用 Caffe-Jacinto 对该网络进行了培训。 我们能够导入经过训练的网络、包括 TIDL 导入工具、而不会出现任何错误。
我们知道、TIDL 使用过去的统计数据在运行时进行动态量化。 根据 TI 专家的建议、应导入从摄像机拍摄的视频/图像、该视频/图像将用于最终的实际用例(对于我们而言、是 TDA2XEVM 电路板摄像机)。 因此、我们使用 TDA2XEVM 上的板载摄像头录制了2个视频。 让我们将这些视频命名为 record1.h264 (1200帧)和 record2.h264 (1300帧)。
步骤1：使用记录1 (原始 RGB 平面)导入视频以生成 NET.bin 和 Param.bin
-导入配置：numParamBits = 8，quantRoundAdd = 25
步骤2：使用记录1上的 NET.bin 和 Param.bin 进行引用、其中 histParam1=0、histParam2=0、margin=0
步骤3：使用记录1上的 NET.bin 和 Param.bin 进行引用、其中 histParam1=20、histParam2=10、margin=20
步骤4：使用记录2上的 NET.bin 和 Param.bin 进行引用、其中 histParam1=0、histParam2=0、margin=0
步骤5：使用记录2上的 NET.bin 和 Param.bin 进行引用、其中 histParam1=20、histParam2=10、margin=20
步骤6：使用 caffe-Jacinto 咖啡因模型和原型在 PC Python 安装程序中使用 record1进行推断
步骤7：在 PC Python 安装程序中使用 Caffe-Jacinto Caffemodel 和 prototxt 使用 record2进行推断
观察结果：
Step2和 Step3输出与 Step6非常匹配
-尽管它非常匹配。 我们面对的是输出框在视频序列上发生轻微偏移或晃动。
步骤4和步骤5的输出与步骤7不匹配
这实际上是一个真实的用例。 我们应该在面周围得到适当的边界框。 但是、由于回归值中存在大量误差。
我们没有得到适当的边界框。 连续帧输出之间的变化太大。 边界框会在视频序列中的对象周围不断发生抖动。
始终先导入、然后推测不是解决方案。 您能不能提出建议、我们应该如何解决这个问题？ 我们已经使用12位进行了相同的实验。 但是、我们将获得相同的资源。 我们还尝试了不同的值：histParam1、histParam2和 Margin。 我们的结果不是改善、而是变得更糟。
此致、
Sagar
