你好 请问 是否可以提供下两个 aipp的配置文件 我们这边转换复现下看看是什么问题。您在修改了aipp配置文件后是否有对工程中的C++源码进行了修改 ？

请提供 两个aipp的配置文件 以及 上图中用来测试的原始图片 我这边复现下看看是什么问题

你好 可以的邮箱是 3030567542@qq.com

您好  您发送的文件我已经收到 我看到您使用的yolov3的原始caffe模型和链接https://gitee.com/ascend/samples/tree/master/objectdetection/for_atlas200dk_1.7x.0.0_c++ 中使用的原始yolov3模型不一致。如果您要换用自己的模型 建议可以采取这个思路去将模型部署到Atlas200DK中：

1. 首先对于测试的这个图片 您使用自己的caffe模型在原始框架(cpu/gpu)上进行推理测试 是否可以既能检测到小目标又可以检测到大目标；
   

2. 如果确认既能检测到小目标又可以检测到大目标那么看下原始的推理测试代码中，关于送给模型推理前的图像预处理步骤中究竟是如何做预处理 包括图像的色域格式，是否有进行减均值，或乘系数等操作。

3. 确认好原始模型的预处理过程后，建议先关闭DVPP和转模型时开启的aipp选项(即aipp配置文件)，建议参考原始推理测试代码 使用opencv手动做图片的预处理过程 ，然后再送给om模型做推理，查看此时模型推理出的结果是否效果和原先的推理效果一致。

4. 等第三部做完之后 我们再打开DVPP选项 并且使用aipp配置文件 (DVPP是加速图片预处理的比如图片大小缩放等，输出的格式固定为YUV格式) aipp配置文件中的配置项是固化在转换后的om模型中，当dvpp处理后的图片送给om模型后，会先经过aipp中相关配置进行图像预处理(比如色域格式转换，减均值 乘系数等操作)  ，之后才会送给模型做推理。所以说，DVPP+aipp过程 等效于 图像预处理的过程。如果说推理出的效果不准确 首先要排除 DVPP+aipp 的过程是否和你 原始的推理测试代码中关于预处理的部分完全一致。之后再说模型转换后的精度问题。

5. 为了排除 dvpp+aipp 和  原始的推理测试代码中关于预处理的部分是否存在差异 导致的模型推理效果不尽如人意，建议使用 opencv without aipp 代替现在的dvpp + aipp 。在保证预处理的步骤和原始的一致后再看推理的效果和原始框架下的是否有差异 ，再视情况而定是否加入 dvpp+aipp。

6. 关于opencv without aipp的相关代码 可以参考 这个链接 ：https://gitee.com/ascend/samples/tree/master/objectdetection_cvwithoutaipp/for_atlas200dk_1.7x.0.0_c++

谢谢您的意见，我会重新跑一下整体步骤

请问您一个问题，图像 /= 255.0 这个归一化操作只能在代码里面做吗? AIPP、DVPP可以实现这个操作吗？

你好 归一化 的操作 就是 乘系数。乘系数的操作可以在aipp里面实现这个操作 。DVPP不能实现这个操作。建议您先使用代码做这个操作 ，不考虑速度的问题，就是控制变量法排除干扰项 先用代码的方式做预处理 如果这种情况下验证使用om推理出的结果没有问题 ，我们再逐渐加入 aipp 再验证没有问题 就再加入dvpp 直到找到影响推理效果的因素

需要注意AIPP上的是标准化，不是 图像像素值 /= 255.0，具体公式参考如下

============================== 减均值、乘系数设置 =================================
计算规则如下：
当uint8->uint8时，本功能旁路
当uint8->fp16时，pixel_out_chx(i) = [pixel_in_chx(i) – mean_chn_i – min_chn_i] * var_reci_chn

每个通道的均值
类型：uint8
取值范围：[0, 255]
mean_chn_0 :0
mean_chn_1 :0
mean_chn_2 :0
mean_chn_3 :0

每个通道的最小值
类型：float16
取值范围：[0, 255]
min_chn_0 :0.0
min_chn_1 :0.0
min_chn_2 :0.0
min_chn_3 :0.0

每个通道的方差
类型：float16
取值范围：[-65504, 65504]
var_reci_chn_0 :1.0
var_reci_chn_1 :1.0
var_reci_chn_2 :1.0
var_reci_chn_3 :1.0
}

目前mean只支持Uint8类型，即0-255的整数。AIPP标准化可以参考该公式：
当uint8->fp16时，pixel_out_chx(i) = [pixel_in_chx(i) – mean_chn_i – min_chn_i] * var_reci_chn

我目前使用精度对比工具得到的结果没有异常差异，差值在 0.001 内，模型本身没有问题。但是为什么加入了AIPP+DVPP精度会掉呢？

-- 1. AIPP：乘 0.0039的归一化处理 + 色域转换 YUV420SP → RGB。--

-- 2. 我从代码内拿到使用 DVPP 处理过后的 YUV420SP 文件，与原图没有差异，输入不变。--

-- 3. 那其实就只有 AIPP 这一步的问题了，没办法拿到 YUV420SP → RGB 之后的图片。而AIPP里面只有一个色域转换配置参数，我使用的是 YUV420SP → RGB 相关的 JPEG 配置参数，这一步会对检测造成很大影响吗？

这里的参数也要根据模型精度进行调整，因为量化了，所以得分没那么高，设置太高会丢掉很多框