地平线X3芯片内置自研BPU（AI加速核），针对AIoT与自动驾驶场景进行了软硬件协同优化。在功耗不变的前提下，AI计算性能实现了数倍提升。X3与J3芯片各集成两个伯努利2.0 BPU核心，显著增强对先进CNN网络的支持，同时降低DDR带宽占用，能够高效完成实时像素级视频分割与结构化视频分析等任务。
注：更多细节请参考官方芯片开发手册，此处不再赘述。
1. 图片分类任务演示
我们首先使用系统自带的样例程序进行图片分类测试，验证模型效果。
切换到目标目录：
cd /app/ai_inference/01_basic_sample/
sudo python3 ./test_mobilenetv1.py该脚本对一张斑马图片执行分类，输出结果如下：
========== Classification result ==========
cls id: 340 Confidence: 0.991851标签340对应'zebra'，分类准确。为验证模型鲁棒性，我们更换了多张图片进行测试。发现背景干净、特征明显的图片（如金鱼）置信度高达0.999884，标签1正确识别为'goldfish, Carassius auratus'。当然也存在误判情况：对玉米进行检测时，结果输出为998: 'ear, spike, capitulum'，置信度0.753721，出现了明显偏差。
========== Classification result ==========
cls id: 1 Confidence: 0.999884
========== Classification result ==========
cls id: 998 Confidence: 0.7537212. FCOS目标检测快速验证
接着运行目标检测样例，快速验证FCOS模型在实时场景下的表现：
cd /app/ai_inference/02_usb_camera_sample/
python3 usb_camera_fcos.py之前已快速展示过效果，此处将代码拆分为五个部分进行详细分析：
模型加载与正向推理采用地平线封装的接口，来自from hobot_dnn import pyeasy_dnn as dnn；HDMI显示则通过vio封装实现，来自from hobot_vio import libsrcampy as srcampy。加载的模型是经由地平线工具链编译的bin文件：fcos_512x512_nv12.bin。运行时打印了输入输出张量信息：
tensor type: NV12_SEPARATE
data type: uint8
layout: NCHW
shape: (1, 3, 512, 512)
15
tensor type: float32
...
tensor type: float32
shape: (1, 4, 4, 1)输入为512x512像素图像，输出包含15个张量，分别对应检测框坐标、类别、置信度得分等关键信息。
3. 改用YOLOv5进行目标检测
接下来我们尝试使用YOLOv5模型进行目标检测。工具链中已包含编译好的YOLOv5模型，可直接调用。相关文件位于horizon_xj3_open_explorer_v1.11.4_20220413/ddk/samples/ai_toolchain/model_zoo/runtime/yolov5。只需在usb_camera_fcos.py中替换模型路径：
models = dnn.load('../models/yolov5_672x672_nv12.bin')打印输入输出信息，发现输入尺寸为(1, 3, 672, 672)，输出为3层张量，意味着后处理逻辑需要重写。
tensor type: NV12_SEPARATE
data type: uint8
layout: NCHW
shape: (1, 3, 672, 672)
3
tensor type: float32
layout: NHWC
shape: (1, 84, 84, 255)
tensor type: float32
shape: (1, 42, 42, 255)
tensor type: float32
shape: (1, 21, 21, 255)查阅地平线对YOLOv5后处理的官方说明，在horizon_xj3_open_explorer_v1.11.4_20220413/ddk/samples/ai_toolchain/horizon_model_convert_sample/04_detection/03_yolov5/mapper中有一段描述：
1.4 对于 YOLOv5 模型，我们在模型结构上的修改点主要在于几个输出节点处。由于目前的浮点转换工具链暂时不支持 5 维的 Reshape，所以我们在 prototxt中进行了删除，并将其移至后处理中执行。同时我们还添加了一个 transpose 算子，使该节点将以 NHWC 进行输出。这是因为在地平线芯片中， BPU 硬件本身以 NHWC 的layout 运行，这样修改后可以让 BPU 直接输出结果，而不在量化模型中引入额外的transpose。 详情请见文档中benchmark部分的图文介绍
由此可知：YOLOv5采用异构量化方案，部分网络在后处理中执行，因此会引入额外耗时。参考地平线公开的YOLOv5代码，主要修改后处理部分并调整类别展示逻辑。
检测结果：
执行以下命令：
python3 usb_camera_yolov5.py检测效果出色，环境中的大部分物体均能实时识别，且置信度较高。
我们统计了各阶段耗时，根据场景复杂度，整体时间在0.5~0.8秒之间。主要统计了cv_time（图像获取并缩放到模型输入尺寸）、forward_time（模型正向推理）、postprocess_time（后处理）：
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
...可以看到，量化后的模型正向推理时间极短（约66ms），但后处理与显示环节占用了大部分时间，仍有进一步优化的空间。
4. 使用工具链量化模型
地平线工具链提供两种量化方式，我们采用浮点转定点方案，该方案具有最佳通用性。具体操作可参考官方配套视频。首先下载docker文件，安装后读取镜像：
docker image ls
docker run -it hub.hobot.cc/aitools/ai_toolchain_centos_7_xj3:v2.1.7 /bin/bash镜像中已包含YOLOv5s的相关内容，可直接快速部署：
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 # 这一步耗时较长完成后，在model_output目录下得到yolov5s_672x672_nv12.bin。模型格式与之前使用的完全一致，直接替换板子上的代码运行，效果与YOLO官方模型保持一致。
