4.17.6.1. algo_yolov8_post_1output_async

针对以单输出YOLOv8模型的后处理接口，内部使用线程池的方式实现。

4.17.6.1.1. 构造函数

接口形式:

algo_yolov8_post_1output_async(const std::vector<int>& shape,
                        int network_w=640,
                        int network_h=640,
                        int max_queue_size=20,
                        bool input_use_multiclass_nms=true,
                        bool agnostic=false);

参数说明:

shape: std::vector<int>

输入参数。输入数据的shape。

network_w: int

输入参数。模型的输入宽度，默认为640。

network_h: int

输入参数。模型的输入宽度，默认为640。

max_queue_size: int

输入参数。缓存数据的最大长度。

input_use_multiclass_nms: bool

输入参数。使用多分类NMS,每个框具有多个类别。

agnostic: bool

输入参数。使用不考虑类别的NMS算法。

4.17.6.1.2. push_data

输入数据，支持batchsize不为1的输入。

接口形式:

int push_data(
    std::vector<int> channel_idx,
    std::vector<int> image_idx,
    TensorPTRWithName input_data,
    std::vector<float> dete_threshold,
    std::vector<float> nms_threshold,
    std::vector<int> ost_w,
    std::vector<int> ost_h,
    std::vector<std::vector<int>> padding_attr);

参数说明:

channel_idx: std::vector<int>

输入参数。输入图像序列的通道号。

image_idx: std::vector<int>

输入参数。输入图像序列的编号。

input_data: TensorPTRWithName

输入参数。输入数据。

dete_threshold: std::vector<float>

输入参数。检测阈值序列。

nms_threshold: std::vector<float>

输入参数。nms阈值序列。

ost_w: std::vector<int>

输入参数。原始图片序列的宽。

ost_h: std::vector<int>

输入参数。原始图片序列的高。

padding_attrs: std::vector<std::vector<int> >

输入参数。填充图像序列的属性列表，填充的起始点坐标x、起始点坐标y、尺度变换之后的宽度、尺度变换之后的高度。

返回值说明:

成功返回0，其他值表示失败。

4.17.6.1.3. get_result_npy

获取最终的检测结果

接口形式:

std::tuple<std::vector<std::tuple<int, int, int, int ,int, float>>,int,int> get_result_npy();

返回值说明: tuple[tuple[left, top, right, bottom, class_id, score],channel_idx, image_idx]

left: int

检测结果最左x坐标。

top: int

检测结果最上y坐标。

right: int

检测结果最右x坐标。

bottom: int

检测结果最下y坐标。

class_id: int

检测结果的类别编号。

score: float

检测结果的分数。

channel_idx: int

原始图像的通道号。

image_idx: int

原始图像的编号。

示例代码:

#include <stdio.h>
#include <sail/cvwrapper.h>
#include <sail/tensor.h>
#include <sail/algokit.h>
#include <iostream>
#include <string>
#include <vector>
#include <cmath>
#include <queue>
#include <numeric>

int main() {
    int tpu_id = 0;
    sail::Handle handle(tpu_id);
    std::string image_path = "../../../sophon-demo/sample/YOLOv8/datasets/test/3.jpg";
    std::string bmodel_path = "../../../sophon-demo/sample/YOLOv8/models/BM1684X/yolov8s_v6.1_1output_int8_4b.bmodel";

    sail::Decoder decoder(image_path, true, tpu_id);
    sail::BMImage bmimg = decoder.read(handle);

    sail::EngineImagePreProcess engine_image_pre_process(bmodel_path, tpu_id, 0);
    engine_image_pre_process.PushImage(0, 0, bmimg);
    std::map<std::string,sail::Tensor*> output_tensor_map;
    std::vector<sail::BMImage> ost_images;
    std::vector<int> channel_list;
    std::vector<int> imageidx_list;
    std::vector<float> padding_atrr;
    engine_image_pre_process.GetBatchData(output_tensor_map, ost_images, channel_list, imageidx_list, padding_atrr);

    std::queue<std::vector<float>> post_queue;
    std::vector<int> width_list;
    std::vector<int> height_list;
    for (int index = 0; index < channel_list.size(); index++) {
        width_list.push_back(ost_images[index].width());
        height_list.push_back(ost_images[index].height());
    }
    post_queue.push(std::vector<float>({output_tensor_map, channel_list, imageidx_list, width_list, height_list, padding_atrr}));

    sail::algo_yolov8_post_1output_async yolov8_post([4, 84, 8400], 640, 640, 10);
    std::vector<float> dete_thresholds(channels.size(), 0.2);
    std::vector<float> nms_thresholds(channels.size(), 0.5);
    yolov8_post.push_data(channel_list, imageidx_list, output_tensor_map, dete_thresholds, nms_thresholds, width_list, height_list, padding_atrr);
    std::vector<std::tuple<int, int, int, int ,int, float>> objs;
    std::vector<int> channel;
    std::vector<int> image_idx;
    yolov8_post.get_result(&objs, &channel, &image_idx);
    std::cout << "objs: " << objs << ", channel: " << channel << ", image idx: " << image_idx << std::endl;

    return 0;
}