|
1 |
Absval |
对输入求绝对值 |
【输入】
1个输入
【参数】
engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
【约束】
无限制
【量化工具支持】
是 |
|
2 |
Argmax |
返回输入的最大值对应的索引序号 |
【输入】
1个输入
【参数】
- out_max_val：布尔型，默认为false，可选
- top_k：unit32，默认为1，可选
- axis：int32，可选
【约束】
无限制
【量化工具支持】
否 |
|
3 |
BatchNorm |
对输入做标准化
（x - avg（x））/x的标准差 |
【输入】
1个输入
【参数】
- use_global_stats：布尔型，必须为true
- moving_average_fraction：float，默认为0.999，可选
- eps：float，默认为1e-5，可选
【约束】
仅支持对C维度方向做归一化
【量化工具支持】
是 |
|
4 |
Concat |
输入数据按维度拼接 |
【输入】
多个输入
【参数】
- concat_dim：uint32，默认为1，取值：大于0，可选
- axis：int32，默认1，可选；与concat_dim功能相同，二者择其一；axis==-1时，输入维度必须等于4，否则结果可能错误
【约束】
- 输入的tensor，除了进行concat的维度外，其他维度的size必须相等
- 输入tensor的个数范围不超过[1，1000]
【量化工具支持】
是 |
|
5 |
DepthwiseConvolution |
深度卷积 |
【输入】
1个输入，且filter为常量，维度为4
【参数】
- num_output：uint32，可选
- bias_term：布尔型，默认为true，可选
- pad：uint32，默认为0；数组
- kernel_size：uint32；数组
- stride：uint32，默认为1；数组
- dilation：uint32，默认为1；数组
- pad_h：uint32，默认为0，可选（仅2D）
- pad_w：uint32，默认为0，可选（仅2D）
- kernel_h：uint32，可选（仅2D）
- kernel_w：uint32，可选（仅2D）
- stride_h：uint32，可选（仅2D）
- stride_w：uint32，可选（仅2D）
- group：uint32，默认为1，可选
- weight_filler：类型为FillerParameter，可选
- bias_filler：类型为FillerParameter，可选
- engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
- force_nd_im2col：布尔型，默认为false，可选
- axis：int32，默认为1，可选
【约束】
filterN=inputC=group
【量化工具支持】
是 |
|
6 |
Convolution |
卷积 |
【输入】
1个输入，且filter为常量，维度为4
【参数】
- num_output：uint32，可选
- bias_term：布尔型，默认为true，可选
- pad：uint32，默认为0；数组
- kernel_size：uint32；数组
- stride：uint32，默认为1；数组
- dilation：uint32，默认为1；数组
- pad_h：uint32，默认为0，可选（仅2D）
- pad_w：uint32，默认为0，可选（仅2D）
- kernel_h：uint32，可选（仅2D）
- kernel_w：uint32，可选（仅2D）
- stride_h：uint32，可选（仅2D）
- stride_w：uint32，可选（仅2D）
- group：uint32，默认为1，可选
- weight_filler：类型为FillerParameter，可选
- bias_filler：类型为FillerParameter，可选
- engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
- force_nd_im2col：布尔型，默认为false，可选
- axis：int32，默认为1，可选
【约束】
- （inputW + padWHead + padWTail） >= （（（FilterW- 1） * dilationW） + 1）
- （inputW + padWHead + padWTail） /StrideW + 1 <= 2147483647
- （inputH + padHHead + padHTail） >= （（（FilterH- 1） * dilationH） + 1）
- （inputH + padHHead + padHTail） /StrideH + 1 <= 2147483647
- 0 <= Pad < 256， 0 < FilterSize < 256， 0 < Stride < 64， 1 <= dilationsize < 256
【量化工具支持】
是 |
|
7 |
Crop |
截取 |
【输入】
2个输入
【参数】
- axis：int32，默认为2，axis=-1，input dim必须等于4，可选
- offset：uint32，数组
【约束】
无限制
【量化工具支持】
否 |
|
8 |
Deconvolution |
反卷积 |
【输入】
1个输入，且filter为常量，维度为4
【参数】
- num_output：uint32，可选
- bias_term：布尔型，默认为true，可选
- pad：uint32，默认为0；数组
- kernel_size：uint32；数组
- stride：uint32，默认为1；数组
- dilation：uint32，默认为1；数组
- pad_h：uint32，默认为0，可选（仅2D）
- pad_w：uint32，默认为0，可选（仅2D）
- kernel_h：uint32，可选（仅2D）
- kernel_w：uint32，可选（仅2D）
- stride_h：uint32，可选（仅2D）
- stride_w：uint32，可选（仅2D）
- group：uint32，默认为1，可选
- weight_filler：类型为FillerParameter，可选
- bias_filler：类型为FillerParameter，可选
- engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
- force_nd_im2col：布尔型，默认为false，可选
- axis：int32，默认为1，可选
【约束】
- group = 1
- dilation = 1
- filterH - padHHead - 1 >= 0
- filterW - padWHead - 1 >= 0
还有一条约束涉及中间变量，公式如下：
- a = ALIGN（filter_num，16） * ALIGN（filter_c，16） * filter_h * filter_w * 2
- 如果ALIGN（filter_c，16）%32 = 0，a = a/2
- conv_input_width=（反卷积输入w - 1） * strideW + 1
- b = （conv_input_width） * filter_h * ALIGN（filter_num，16） * 2 * 2
- a + b <= 1024*1024
【量化工具支持】
是 |
|
9 |
DetectionOutput |
检测结果输出FSR |
【输入】
3个输入
【参数】
- num_classes：必选，类型：int32，要预测的类数
- share_location：可选，类型：bool，默认为true（表示不同类间共享bounding box）
- background_label_id：可选，类型：int32，默认为0
- nms_param：可选，非最大抑制
- save_output_param：可选，用于保存检测结果
- code_type：可选，默认为CENTER_SIZE
- variance_encoded_in_target：可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
- keep_top_k：可选，类型：int32，在nms步骤后每个图像要保留的总bbox数
- confidence_threshold：可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
- nms_threshold：可选，类型：float
- top_k：可选，类型：int32
- boxes：可选，类型：int32，默认为1
- relative：可选，类型：bool，默认为true
- objectness_threshold，可选，类型：float，默认为0.5
- class_threshold：可选，类型：float，默认为0.5
- biases：数组
- general_nms_param：可选
【约束】
- 支持fasterrcnn网络
- 非极大值抑制比nmsThreshold∈（0，1）
- 概率阈值postConfThreshold∈（0，1）
- 类别>=2
- 最大支持1024个框输入
- 输出的w维度是16
【量化工具支持】
是 |
|
10 |
Eltwise |
按元素操作层（求和、乘积、最大值） |
【输入】
至少2个输入
【参数】
- operation：可选，类型：枚举型（PROD = 0； SUM = 1； MAX = 2），默认为SUM
- coeff：数组；类型：float
- stable_prod_grad：可选，类型：bool，默认为true
【约束】
- 最大支持4个输入
- 与原生算子相比，不支持stable_prod_grad参数
- 支持prod、sum、max三种模式
【量化工具支持】
是 |
|
11 |
Elu |
激活函数 |
【输入】
1个输入
【参数】
alpha （optional）：类型：float，默认为1
【约束】
无限制
【量化工具支持】
否 |
|
12 |
Exp |
对输入求以e为底的x次方值 |
【输入】
1个输入
【参数】
- base：可选，类型：float，默认为-1.0
- scale：可选，类型：float，默认为1.0
- shift：可选，类型：float，默认为0.0
【约束】
无限制
【量化工具支持】
否 |
|
13 |
Flatten |
输入n*c*h*w 变为向量 n* （c*h*w） |
【输入】
1个输入
（top_size与bottom_size必须不一致，且不为1；当axis=-1时，输入的dim必须等于4）
【参数】
- axis：可选，类型：int32，默认为1
- end_axis：可选，类型：int32，默认为-1
【约束】
axis必须小于end axis
【量化工具支持】
是 |
|
14 |
FullConnection |
全连接 |
【输入】
1个输入
【参数】
- num_output：可选，类型：uint32
- bias_term：可选，类型：bool，默认为true
- weight_filler：可选，类型：FillerParameter，维度为2
- bias_filler：可选，类型：FillerParameter，维度为1
- axis：可选，类型：int32，默认为1
- transpose：可选，类型：bool，默认为false
【约束】
【量化工具支持】
是 |
|
15 |
Interp |
插值层 |
【输入】
1个输入
【参数】
- height：可选，类型：int32，默认为0
- width：可选，类型：int32，默认为0
- zoom_factor：可选，类型：int32，默认为1
- shrink_factor：可选，类型：int32，默认为1
- pad_beg：可选，类型：int32，默认为0
- pad_end：可选，类型：int32， 默认为0
说明：
l zoom_factor与shrink_factor不能同时存在
l height与zoom_factor不能同时存在
l height与shrink_factor不能同时存在
【约束】
（outputH*outputW）/（inputH*inputW） > 1/30
【量化工具支持】
否 |
|
16 |
Log |
对输入进行log计算 |
【输入】
1个输入
【参数】
- base：可选，类型：float，默认为-1.0
- scale：可选，类型：float，默认为1.0
- shift：可选，类型：float，默认为0.0
【约束】
无限制
【量化工具支持】
否 |
|
17 |
LRN |
局部响应归一化层 |
【输入】
1个输入，不支持常量输入
【参数】
- local_size：可选，类型：uint32，默认为5
- alpha：可选，类型：float，默认为1
- beta：可选，类型：float，默认为0.75
- norm_region：可选，类型：枚举型，默认为ACROSS_CHANNELS，（ACROSS_CHANNELS=0；WITHIN_CHANNEL = 1）
- lrnk：可选，类型：float，默认为1
- engine：可选，类型：枚举型（DEFAULT = 0；CAFFE = 1； CUDNN = 2）
【约束】
- local_size >0，且必须为奇数
- 通道间：当local_size∈[1，15]时，lrnK>0.00001且beta>0.01，否则lrnK和beta为任意值；LrnK和alpha不同时为0；当C维度大于1776时，local_size <1728
- 通道内：LrnK=1，local_size∈[1，15]，beta>0.01
【量化工具支持】
是 |
|
18 |
LSTM |
长短期记忆网络 |
【输入】
2个或3个输入
- X：时间序列数据(T*B*Xt)，按4D的NCHW格式排布传入
- 需要保证：N对应时间序列长度T，C对应Batch数B，H对应t时刻的输入数据Xt，W取1
- Cont：序列连续性标志（T*B）
- Xs：静态数据（B*Xt），可选
【参数】
- num_output：可选，类型：uint32，默认为0
- weight_filler：可选，类型：FillerParameter
- bias_filler：可选，类型：FillerParameter
- debug_info：可选，类型：bool，默认为false
- expose_hidden：可选，类型：bool，默认为false
【约束】
此约束涉及中间变量计算，公式如列：
a = （ALIGN（xt，16） + ALIGN（output，16）） * 16 * 2 * 2
b = （ALIGN（xt，16） + ALIGN（output，16）） * 16 * 4 * 2 * 2
c = use_projection ? ALIGN（ht，16） * ALIGN（output，16） * 2）：0
d = 16 * ALIGN（ht，16） * 2
e = batchNum* 4
则，约束为：
a + b + c <= 1024 * 1024
d <= 256*1024 / 8
e <= 256*1024 / 32
【量化工具支持】
否 |
|
19 |
Normalize |
标准化层 |
【输入】
1个输入
【参数】
- across_spatial：可选，类型：bool，默认为true
- scale_filler：可选，默认为1.0
- channel_shared：可选，类型：bool，默认为true
- eps：可选，类型：float，默认为1e-10
【约束】
- eps应大于1e-7，并且小于等于0.1+（1e-6）
- Caffe框架中的参数across_spatial目前只支持true，按channel进行norm操作
【量化工具支持】
是 |
|
20 |
Permute |
将输入维度按照给定模式进行重排 |
【输入】
1个输入
【参数】
order：uint32，数组
【约束】
无约束
【量化工具支持】
是 |
|
21 |
Pooling |
池化层 |
【输入】
1个输入
【参数】
- pool：池化方法，可选，类型：枚举，取值：MAX=0，AVE=1，STOCHASTIC = 2，默认为MAX
- pad：可选，类型：uint32，默认为0
- pad_h：可选，类型：uint32，默认为0
- pad_w：可选，类型：uint32，默认为0
- kernel_size：可选，类型：uint32，kernel_size和kernel_h/kernel_w不能同时出现
- kernel_h：可选，类型：uint32
- kernel_w：可选，类型：uint32，kernel_h/kernel_w必须同时存在
- stride：可选，类型：uint32，默认为1
- stride_h：可选，类型：uint32
- stride_w：可选，类型：uint32
- engine：可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2
- global_pooling：可选，类型：bool，默认值为false
- ceil_mode：可选，类型：bool，默认为true
- round_mode：可选，类型：枚举，取值：CEIL=0，FLOOR=1；默认为CEIL
【约束】
- kernelH<=inputH+padTop+padBottom
- kernelW<=inputW+padLeft+padRight
- padTop<windowH
- padBottom<windowH
- padLeft<windowW
- padRight<windowW
除公共约束外，还需满足下列某一场景支持范围
global pool模式只支持以下范围：
- outputH==1 && outputW==1 && kernelH>=inputH && kernelW>=inputW
- inputH*inputW<=10000
【量化工具支持】
是 |
|
22 |
Power |
计算 y = （scale*x+shift）^ power |
【输入】
1个输入
【参数】
- power：可选，类型：float，默认为1.0
- scale：可选，类型：float，默认为1.0
- shift：可选，类型：float，默认为0.0
【约束】
【量化工具支持】
是 |
|
23 |
Prelu |
激活函数 |
【输入】
1个输入
【参数】
- filler：可选
- channel_shared：可选，类型：bool，默认为false，是否跨channel共享斜率参数
【约束】
无限制
【量化工具支持】
是 |
|
24 |
PriorBox |
从目标预选框获取真实目标的位置 |
【输入】
1个输入
【参数】
- min_size：必须设置，最小框大小（以像素为单位）
- max_size：必须设置，最大框大小（以像素为单位）
- aspect_ratio：数组；类型：float；各种宽高比，重复的比率将被忽略，如果没有提供，使用默认比率1
- flip：可选，类型：bool，默认为true；如果为true，将翻转每个宽高比，例如，如果有宽高比‘r’，也将生成宽高比‘1.0/r’
- clip：可选，类型：bool，默认为false；如果为true，将剪切先前的值，使其在[0，1]范围内
- variance：数组；调整先前bbox的方差
- img_size：可选，类型：uint32，img_size与img_h/img_w不能同时存在
- img_h：可选，类型：uint32
- img_w：可选，类型：uint32
- step：可选，类型：float，step与step_h/step_w不能同时存在
- step_h：可选，类型：float
- step_w：可选，类型：float
- offset：类型：float，默认为0.5
【约束】
只支持ssd网络
输出维度：[n，2，检测框*4，1]
【量化工具支持】
是 |
|
25 |
Proposal |
将预选框通过（proposal， score）排序，通过nms获取topN proposal |
【输入】
3个输入（scores，bbox_pred，im_info）
【参数】
- feat_stride：可选，类型：float
- base_size：可选，类型：float
- min_size：可选，类型：float
- ratio：数组；类型：float
- scale：数组；类型：float
- pre_nms_topn：可选，类型：int32
- post_nms_topn：可选，类型：int32
- nms_thresh：可选，类型：float
【约束】
- 只用于fastercnn
- ProposalParameter、PythonParameter不能同时存在
- preTopK范围为1~6144
- postTopK范围为1~1024
- scaleCnt*ratioCnt的最大值支持到64
- nmsTresh：过滤框使用的阈值，0<nmsTresh<=1
- minSize：框的边长的最小值，所有小于此最小值的框将会被过滤掉
- featStride：在生成默认框时，指定两个相邻的框延H或W的步长
- baseSize：用来生成默认框用到的参数，表示框的基本大小
- ratio & scale：生成默认框用到的参数
- imgH&imgW：输入到网络的图片高和宽，其值必须大于0
- input维度约束：
clsProb：C=2*scaleCnt*ratioCnt
bboxPred：C=4*scaleCnt*ratioCnt
bboxPrior：N=clsProb.N，C=4*scaleCnt*ratioCnt
imInfo：N=clsProb.N，C=3
【量化工具支持】
是 |
|
26 |
PSROIPooling |
位置敏感的区域池化 |
【输入】
2个输入
【参数】
- spatial_scale：必须配置，类型：float
- output_dim：必须配置，类型：int32，输出通道数
- group_size：必须配置，类型：int32，编码位置敏感分数图的组数
【约束】
用于RFCN网络
- 输入Roi框的坐标信息为[roiN，roiC，roiH，roiW]，格式范围是：1<= roiN <=65535，roiC == 5，roiH == 1，roiW == 1
- 输入的featuremap维度为[xN，xC，xH，xW]
pooledH==pooledW==groupSize <= 128
[pooledH pooledW ]表示pool框的长宽
- 输出的格式 y[yN， yC， yH， yW]
- poolingMode == avg pooling， pooledH == pooledW == groupSize， pooledH <= 128， spatialScale > 0， groupSize > 0， outputDim > 0
- 1<=xN<=65535， roisN % xN == 0
- HW_LIMIT是xh、xw的约束
xHW = xH * xW
pooledHW = pooledH * pooledW
HW_LIMIT = （64*1024–8*1024） / 32
xH >= pooledH，xW >= pooledW
xHW >= pooledHW
xHW/pooledHW<=HW_LIMIT
- 多batch场景时，每个batch的roi框个数相同，且roi的batch排列顺序与feature相同
【量化工具支持】
是 |
|
27 |
Relu |
激活函数，同时包含普通的relu和leaky relu，可通过参数指定 |
【输入】
1个输入
【参数】
- negative_slope：可选，类型：float，默认为0
- engine：可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2
【约束】
无限制
【量化工具支持】
是 |
|
28 |
Reshape |
改变输入维度 |
【输入】
1个输入
【参数】
- shape：常量，类型：int64或int
- axis：可选，类型：int32，默认为0
- num_axes：可选，类型：int32，默认为-1
【约束】
无限制
【量化工具支持】
是 |
|
29 |
ROIAlign |
一种区域特征聚集的方式 |
【输入】
至少有2个输入
【参数】
- pooled_h：可选，类型：uint32，默认为0
- pooled_w：可选，类型：uint32，默认为0
- spatial_scale：可选，类型：float，默认为1
- sampling_ratio：可选，类型：int32，默认为-1
【约束】
主要用于maskrcnn
（1）H * W <= 5248（N>1）或W * C < 40960（N=1）
（2）C <= 1280
（3）（（C-1）/128+1）*pooledW <= 216
（1）C=5（caffe），H=1，W=1
（2）samplingRatio*pooledW <= 128且samplingRatio*pooledH <= 128
（3）H >= pooledH， W >= pooledW
【量化工具支持】
是 |
|
30 |
ROIPooling |
将“候选框”映射到特征图上 |
【输入】
至少有2个输入
【参数】
- pooled_h：必须设置，类型：uint32，默认为0
- pooled_w：必须设置，类型：uint32，默认为0
- spatial_scale：必须设置，类型：float；默认为1；乘法空间比例因子将ROI坐标从其输入比例转换为pool时使用的比例
【约束】
主要用于fasterrcnn
- 输入维度：H * W<=8160；且H<=120；且W<=120
- 输出维度：pooledH <=20，且pooledW <=20
【量化工具支持】
是 |
|
31 |
Scale |
out=alpha*Input+beta |
【输入】
2个输入，input的dim为4
【参数】
- axis：可选，类型：int32，默认为1，仅支持axis为1或者-3
- num_axes：可选，类型：int32，默认为1
- filler：可选；filler被忽略，除非只给1个bottom且scale是学习参数
- bias_term：可选，类型：bool，默认为false；是否也学习bias（相当于ScaleLayer + BiasLayer，但可能更有效率），使用bias_filler初始化
- bias_filler：可选，默认为0
【约束】
scale，bias的shape只支持（n，c，1，1），且c维度与input的c维度相等
【量化工具支持】
是 |
|
32 |
ShuffleChannel |
帮助信息在特征通道交叉流动 |
【输入】
1个输入
【参数】
group：可选，类型：uint32，默认为1
【约束】
无限制
【量化工具支持】
是 |
|
33 |
Sigmoid |
激活函数 |
【输入】
1个输入
【参数】
engine：可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2
【约束】
无限制
【量化工具支持】
是 |
|
34 |
Slice |
将输入分解成多个输出 |
【输入】
1个输入
【参数】
- slice_dim：可选，类型：uint32，默认为1；axis和slice_dim不能同时存在
- slice_point：数组；类型：uint32
- axis：可选，类型：int32，默认为1（表示沿channel拼接）
【约束】
无限制
【输出】
无限制
【量化工具支持】
是 |
|
35 |
Softmax |
归一化逻辑函数 |
【输入】
1个输入
【参数】
- engine：可选，取值：DEFAULT=0，CAFFE=1，CUDNN=2
- axis：可选，类型：int32，默认为1；表示沿哪个axis作softmax
【约束】
输入4维时可以针对每一维做softmax：
根据分类的轴不同，计算边界分别为：
- axis=1时，c<=（（256*1024/4）-8*1024-256）/2
- axis=0时，n<=（56*1024-256）/2
- axis=2时，W=1， 0<h<（1024*1024/32）
- axis=3时，0<W<（1024*1024/32）
输入维度不足4维时，仅支持对最后一维做softmax计算，并且最后一维不超过46080
【量化工具支持】
是 |
|
36 |
Tanh |
激活函数 |
【输入】
1个输入
【参数】
engine：可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2
【约束】
输入tensor元素个数不超过INT32_MAX
【量化工具支持】
是 |
|
37 |
Upsample |
maxpool的反向传播过程 |
【输入】
2个输入
【参数】
scale：可选，类型：int32，默认为1
【约束】
无限制
【量化工具支持】
是 |
|
38 |
SSDDetectionOutput |
SSD网络检测输出 |
【输入】
3个输入
【参数】
- num_classes：必选，类型：int32，要预测的类数
- share_location：可选，类型：bool，默认为true（表示不同类间共享bounding box）
- background_label_id：可选，类型：int32，默认为0
- nms_param：可选，非最大抑制
- save_output_param：可选，用于保存检测结果
- code_type：可选，默认为CENTER_SIZE
- variance_encoded_in_target：可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
- keep_top_k：可选，类型：int32，在nms步骤后每个图像要保留的总bbox数
- confidence_threshold：可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
- nms_threshold：可选，类型：float
- top_k：可选，类型：int32
- boxes：可选，类型：int32，默认为1
- relative：可选，类型：bool，默认为true
- objectness_threshold，可选，类型：float，默认为0.5
- class_threshold：可选，类型：float，默认为0.5
- biases：数组
- general_nms_param：可选
【约束】
- 只支持SSD网络
- preTopK和postTopK的取值范围当前仅支持1~1024
- shareLocation仅支持true
- nmsEta仅支持1
- numClasses支持的范围是1~2048
- code_type仅支持CENTER_SIZE
- nms_threshold和confidence_threshold的范围为0.0~1.0
【量化工具支持】
是 |
|
39 |
Reorg |
实时物体检测 |
【输入】
1个输入
【参数】
- stride：可选，类型：uint32，默认为2
- reverse：可选，类型：bool，默认为false
【约束】
只用于YOLOV2
【量化工具支持】
否 |
|
40 |
Reverse |
逆转 |
【输入】
1个输入
【参数】
axis：可选，类型：int32，默认为1；控制需翻转的数据轴，内容的布局不会被颠倒
【约束】
无限制
【量化工具支持】
否 |
|
41 |
LeakyRelu |
LeakyRelu激活函数 |
【输入】
1个输入
【参数】
同Relu
【约束】
无限制
【量化工具支持】
是 |
|
42 |
YOLODetectionOutput |
YOLO网络检测输出 |
【输入】
4个输入
【参数】
- num_classes：必选，类型：int32，要预测的类数
- share_location：可选，类型：bool，默认为true（表示不同类间共享bounding box）
- background_label_id：可选，类型：int32，默认为0
- nms_param：可选，非最大抑制
- save_output_param：可选，用于保存检测结果
- code_type：可选，默认为CENTER_SIZE
- variance_encoded_in_target：可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
- keep_top_k：可选，类型：int32，在nms步骤后每个图像要保留的总bbox数
- confidence_threshold：可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
- nms_threshold：可选，类型：float
- top_k：可选，类型：int32
- boxes：可选，类型：int32，默认为1
- relative：可选，类型：bool，默认为true
- objectness_threshold，可选，类型：float，默认为0.5
- class_threshold：可选，类型：float，默认为0.5
- biases：数组
- general_nms_param：可选
【约束】
- 只用于YOLOV2
- classNUm<10240；anchorBox <= 8
- W <= 1536
- yolodetectionoutput的上层必须为yoloregion算子
【量化工具支持】
否 |
