YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等开创性技术，标志着实时目标检测领域的重大进步。该模型在效率、准确性和适应性方面都有显著提高，在 MS COCO 数据集上树立了新的标杆。本例程对YOLOv9官方开源仓库的模型和算法进行移植，使之能在SOPHON BM1684/BM1684X/BM1688/CV186X上进行推理测试。
- 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)、BM1684(x86 PCIe、SoC、arm PCIe)
- 支持FP32、FP16(BM1684X/BM1688/CV186X)、INT8模型编译和推理
- 支持基于BMCV预处理的C++推理
- 支持基于OpenCV和BMCV预处理的Python推理
- 支持单batch和多batch模型推理
- 支持1个输出模型推理
- 支持图片和视频测试
建议使用TPU-MLIR编译BModel，在使用TPU-MLIR编译前需要导出ONNX模型。具体可参考YOLOv9模型导出。
同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。
本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。
# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh执行后，模型保存至models/，测试数据集下载并解压至datasets/test/，精度测试数据集下载并解压至datasets/coco/val2017_1000/，量化数据集下载并解压至datasets/coco128/
下载的模型包括：
./models
├── BM1684
│ ├── yolov9s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│ ├── yolov9s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
│ └── yolov9s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=4
├── BM1684X
│ ├── yolov9s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│ ├── yolov9s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│ ├── yolov9s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
│ └── yolov9s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=4
├── BM1688
│ ├── yolov9s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=1
│ ├── yolov9s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=1
│ ├── yolov9s_int8_1b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=1
│ ├── yolov9s_int8_4b.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=1
│ ├── yolov9s_fp32_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1, num_core=2
│ ├── yolov9s_fp16_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1, num_core=2
│ ├── yolov9s_int8_1b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1, num_core=2
│ └── yolov9s_int8_4b_2core.bmodel # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=4, num_core=2
├── CV186X
│ ├── yolov9s_fp32_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP32 BModel，batch_size=1
│ ├── yolov9s_fp16_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的FP16 BModel，batch_size=1
│ ├── yolov9s_int8_1b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=1
│ └── yolov9s_int8_4b.bmodel # 使用TPU-MLIR编译，用于CV186X的INT8 BModel，batch_size=4
└── onnx
├── yolov9s_1b.onnx # 导出的动态onnx模型，batch_size=1
├── yolov9s_4b.onnx # 导出的动态onnx模型，batch_size=4
├── yolov9s_qtable_fp16 # TPU-MLIR编译时，用于BM1684X/BM1688的INT8 BModel混合精度量化
├── yolov9s_qtable_fp32 # TPU-MLIR编译时，用于BM1684的INT8 BModel混合精度量化
└── yolov9s_qtable_bf16 # TPU-MLIR编译时，用于CV186X的INT8 BModel混合精度量化
下载的数据包括：
./datasets
├── test # 测试图片
├── test_car_person_1080P.mp4 # 测试视频
├── coco.names # coco类别名文件
├── coco128 # coco128数据集，用于模型量化
└── coco
├── val2017_1000 # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
└── instances_val2017_1000.json # coco val2017_1000数据集关键点标签文件，用于计算精度评价指标
导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。
模型编译前需要安装TPU-MLIR，本例程使用的TPU-MLIR版本是v1.6，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。
- 生成FP32 BModel
本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X/BM1688/CV186X），如：
./scripts/gen_fp32bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x执行上述命令会在models/BM1684下生成yolov9s_fp32_1b.bmodel文件，即转换好的FP32 BModel。
- 生成FP16 BModel
本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：
./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688/cv186x执行上述命令会在models/BM1684X/下生成yolov9s_fp16_1b.bmodel文件，即转换好的FP16 BModel。
- 生成INT8 BModel
本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X/BM1688/CV186X），如：
./scripts/gen_int8bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x执行上述命令会在models/BM1684下生成yolov9s_int8_1b.bmodel等文件，即转换好的INT8 BModel。量化模型出现问题可以参考：Calibration_Guide。
首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)和相关参数(conf_thresh=0.001、nms_thresh=0.7)。
然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：
# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/yolov9s_fp32_1b.bmodel_val2017_1000_opencv_python_result.json在coco2017 val数据集上，精度测试结果如下：
| 测试平台 | 测试程序 | 测试模型 | AP@IoU=0.5:0.95 | AP@IoU=0.5 |
|---|---|---|---|---|
| SE5-16 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE5-16 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 0.436 | 0.597 |
| SE5-16 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 0.436 | 0.597 |
| SE5-16 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 0.464 | 0.630 |
| SE5-16 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 0.435 | 0.596 |
| SE5-16 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 0.435 | 0.596 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 0.436 | 0.597 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 0.436 | 0.597 |
| SE7-32 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE7-32 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 0.464 | 0.630 |
| SE7-32 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.625 |
| SE7-32 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.625 |
| SE7-32 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 0.464 | 0.630 |
| SE7-32 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 0.463 | 0.630 |
| SE7-32 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.626 |
| SE7-32 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.626 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 0.464 | 0.629 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 0.461 | 0.625 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 0.461 | 0.625 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 0.464 | 0.630 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.625 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.625 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 0.463 | 0.630 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.627 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.627 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 0.464 | 0.630 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 0.462 | 0.626 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 0.462 | 0.626 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp32_1b_2core.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp16_1b_2core.bmodel | 0.464 | 0.630 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_1b_2core.bmodel | 0.461 | 0.625 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_4b_2core.bmodel | 0.461 | 0.625 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp32_1b_2core.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp16_1b_2core.bmodel | 0.463 | 0.630 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_1b_2core.bmodel | 0.461 | 0.627 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_4b_2core.bmodel | 0.461 | 0.627 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp32_1b_2core.bmodel | 0.465 | 0.630 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp16_1b_2core.bmodel | 0.464 | 0.630 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_1b_2core.bmodel | 0.462 | 0.626 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_4b_2core.bmodel | 0.462 | 0.626 |
| SE9-8 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-8 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 0.464 | 0.630 |
| SE9-8 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.625 |
| SE9-8 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.625 |
| SE9-8 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-8 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 0.463 | 0.630 |
| SE9-8 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 0.461 | 0.627 |
| SE9-8 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 0.461 | 0.627 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 0.465 | 0.630 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 0.464 | 0.630 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 0.462 | 0.626 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 0.462 | 0.626 |
测试说明：
- batch_size=4和batch_size=1的模型精度一致；
- 由于sdk版本之间可能存在差异，实际运行结果与本表有<0.01的精度误差是正常的；
- AP@IoU=0.5:0.95为area=all对应的指标。
- 在搭载了相同TPU和SOPHONSDK的PCIe或SoC平台上，相同程序的精度一致，SE5系列对应BM1684，SE7系列对应BM1684X，SE9系列中，SE9-16对应BM1688，SE9-8对应CV186X；
使用bmrt_test测试模型的理论性能：
# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/yolov9s_fp32_1b.bmodel测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。
测试各个模型的理论推理时间，结果如下：
| 测试模型 | calculate time(ms) |
|---|---|
| BM1684/yolov9s_fp32_1b.bmodel | 36.52 |
| BM1684/yolov9s_int8_1b.bmodel | 25.69 |
| BM1684/yolov9s_int8_4b.bmodel | 18.66 |
| BM1684X/yolov9s_fp32_1b.bmodel | 33.77 |
| BM1684X/yolov9s_fp16_1b.bmodel | 7.50 |
| BM1684X/yolov9s_int8_1b.bmodel | 5.13 |
| BM1684X/yolov9s_int8_4b.bmodel | 4.61 |
| BM1688/yolov9s_fp32_1b.bmodel | 162.39 |
| BM1688/yolov9s_fp16_1b.bmodel | 40.97 |
| BM1688/yolov9s_int8_1b.bmodel | 18.25 |
| BM1688/yolov9s_int8_4b.bmodel | 17.73 |
| BM1688/yolov9s_fp32_1b_2core.bmodel | 91.24 |
| BM1688/yolov9s_fp16_1b_2core.bmodel | 24.95 |
| BM1688/yolov9s_int8_1b_2core.bmodel | 12.71 |
| BM1688/yolov9s_int8_4b_2core.bmodel | 10.13 |
| CV186X/yolov9s_fp32_1b.bmodel | 162.44 |
| CV186X/yolov9s_fp16_1b.bmodel | 41.03 |
| CV186X/yolov9s_int8_1b.bmodel | 18.28 |
| CV186X/yolov9s_int8_4b.bmodel | 17.68 |
测试说明：
- 性能测试结果具有一定的波动性；
calculate time已折算为平均每张图片的推理时间；- SoC和PCIe的测试结果基本一致。
参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++和Python例程打印的时间已经折算为单张图片的处理时间。
在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.25，nms_thresh=0.7，性能测试结果如下：
| 测试平台 | 测试程序 | 测试模型 | decode_time | preprocess_time | inference_time | postprocess_time |
|---|---|---|---|---|---|---|
| SE5-16 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 6.81 | 21.85 | 41.59 | 5.07 |
| SE5-16 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 6.83 | 22.08 | 32.84 | 4.95 |
| SE5-16 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 6.90 | 24.67 | 29.09 | 5.16 |
| SE5-16 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 3.59 | 2.75 | 38.77 | 4.97 |
| SE5-16 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 3.74 | 2.89 | 28.09 | 4.93 |
| SE5-16 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 3.45 | 2.56 | 20.58 | 4.35 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 4.87 | 1.55 | 36.39 | 8.53 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 4.89 | 1.55 | 25.58 | 8.53 |
| SE5-16 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 4.76 | 1.49 | 18.62 | 8.49 |
| SE7-32 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 6.74 | 22.39 | 39.55 | 5.40 |
| SE7-32 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 6.80 | 22.85 | 13.27 | 5.38 |
| SE7-32 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 6.80 | 22.79 | 10.79 | 5.33 |
| SE7-32 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 6.83 | 24.81 | 10.18 | 5.41 |
| SE7-32 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 3.12 | 2.30 | 36.29 | 5.42 |
| SE7-32 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 3.10 | 2.30 | 10.03 | 5.46 |
| SE7-32 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 3.10 | 2.28 | 7.58 | 5.42 |
| SE7-32 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 2.94 | 2.11 | 6.76 | 4.88 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 4.31 | 0.74 | 33.67 | 8.64 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 4.33 | 0.74 | 7.41 | 8.65 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 4.36 | 0.74 | 4.95 | 8.64 |
| SE7-32 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 4.19 | 0.71 | 4.57 | 8.59 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 9.53 | 29.52 | 169.66 | 6.86 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 9.36 | 29.43 | 48.36 | 6.93 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 9.38 | 29.60 | 25.45 | 6.87 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 9.44 | 32.74 | 24.92 | 7.43 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 4.29 | 4.59 | 165.88 | 6.96 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 4.28 | 4.56 | 44.27 | 6.95 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 4.28 | 4.58 | 21.50 | 6.90 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 4.17 | 4.27 | 20.38 | 6.11 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 5.88 | 1.73 | 162.30 | 12.06 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 5.86 | 1.73 | 40.89 | 12.05 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 5.90 | 1.74 | 18.17 | 12.06 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 5.74 | 1.66 | 17.70 | 12.01 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp32_1b_2core.bmodel | 9.50 | 29.87 | 98.46 | 6.91 |
| SE9-16 | yolov9_opencv.py | yolov9s_fp16_1b_2core.bmodel | 9.40 | 29.44 | 32.21 | 6.91 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_1b_2core.bmodel | 9.37 | 29.89 | 19.96 | 6.85 |
| SE9-16 | yolov9_opencv.py | yolov9s_int8_4b_2core.bmodel | 9.47 | 32.67 | 17.02 | 6.90 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp32_1b_2core.bmodel | 4.32 | 4.59 | 94.68 | 6.96 |
| SE9-16 | yolov9_bmcv.py | yolov9s_fp16_1b_2core.bmodel | 4.28 | 4.58 | 28.31 | 6.93 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_1b_2core.bmodel | 4.28 | 4.57 | 15.99 | 6.90 |
| SE9-16 | yolov9_bmcv.py | yolov9s_int8_4b_2core.bmodel | 4.16 | 4.26 | 12.93 | 6.12 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp32_1b_2core.bmodel | 5.87 | 1.73 | 91.16 | 12.06 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_fp16_1b_2core.bmodel | 5.93 | 1.74 | 24.88 | 12.05 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_1b_2core.bmodel | 5.85 | 1.73 | 12.63 | 12.06 |
| SE9-16 | yolov9_bmcv.soc | yolov9s_int8_4b_2core.bmodel | 5.72 | 1.66 | 10.11 | 12.01 |
| SE9-8 | yolov9_opencv.py | yolov9s_fp32_1b.bmodel | 9.42 | 30.22 | 169.91 | 7.02 |
| SE9-8 | yolov9_opencv.py | yolov9s_fp16_1b.bmodel | 9.45 | 30.16 | 48.42 | 6.97 |
| SE9-8 | yolov9_opencv.py | yolov9s_int8_1b.bmodel | 9.38 | 29.75 | 25.53 | 6.94 |
| SE9-8 | yolov9_opencv.py | yolov9s_int8_4b.bmodel | 9.48 | 32.99 | 24.74 | 7.06 |
| SE9-8 | yolov9_bmcv.py | yolov9s_fp32_1b.bmodel | 4.19 | 4.48 | 165.90 | 7.04 |
| SE9-8 | yolov9_bmcv.py | yolov9s_fp16_1b.bmodel | 4.13 | 4.48 | 44.29 | 7.03 |
| SE9-8 | yolov9_bmcv.py | yolov9s_int8_1b.bmodel | 4.13 | 4.47 | 21.54 | 6.96 |
| SE9-8 | yolov9_bmcv.py | yolov9s_int8_4b.bmodel | 3.96 | 4.16 | 20.54 | 6.40 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_fp32_1b.bmodel | 5.74 | 1.72 | 162.34 | 12.15 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_fp16_1b.bmodel | 5.79 | 1.72 | 40.94 | 12.14 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_int8_1b.bmodel | 5.75 | 1.72 | 18.15 | 12.15 |
| SE9-8 | yolov9_bmcv.soc | yolov9s_int8_4b.bmodel | 5.62 | 1.64 | 17.66 | 12.10 |
测试说明：
- 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
- 性能测试结果具有一定的波动性，建议多次测试取平均值；
- SE5-16/SE7-32的主控处理器均为8核[email protected]，SE9-16为8核[email protected]，SE9-8为6核[email protected]，PCIe上的性能由于处理器的不同可能存在较大差异；
- 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。
请参考FAQ查看一些常见的问题与解答。