Caffe算子边界

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：

1. a = ALIGN（filter_num，16） * ALIGN（filter_c，16） * filter_h * filter_w * 2
2. 如果ALIGN（filter_c，16）%32 = 0，a = a/2
3. conv_input_width=（反卷积输入w - 1） * strideW + 1
4. b = （conv_input_width） * filter_h * ALIGN（filter_num，16） * 2 * 2
5. 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】

• 仅支持transpose=false，axis=1
• Bias_C <= 56832
• 如果客户要量化模型时，需要满足下列维度：

  - 当N = 1，2 * CEIL（C，16） * 16 * xH * xW<= 1024 * 1024

  - 当N>1，2 * 16 * CEIL（C，16） * 16 * xH * xW <= 1024 * 1024

【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

【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：

1. outputH==1 && outputW==1 && kernelH>=inputH && kernelW>=inputW
2. 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】

• power!=1
• scale*x+shift>0

【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

• FeatureMap（特征图）约束：

（1）H * W <= 5248（N>1）或W * C < 40960（N=1）

（2）C <= 1280

（3）（（C-1）/128+1）*pooledW <= 216

• RoI（感兴区域）约束：

（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