Atlas系列硬件: Atlas 200l DK A2 开发者套件; Atlas 200l DK 开发者套件（型号：3000）; 加速模块、加速卡、智能小站、服务器、集群

异构计算架构: CANN社区版; CANN商用版

AI框架: MindSpore; TensorFlow框架模型（社区版）; TensorFlow框架模型（商用版）; PyTorch框架适配

昇腾推理引擎: MindIE

应用使能MindX: MindX DL; MindX Edge; MindX SDK

全流程开发工具: MindStudio

模型后处理配置参数

本章节介绍各个模型所需要的配置参数。

表1 YOLOv3模型后处理配置参数（yolov3_tf_bs1_fp16.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	80	无
BIASES_NUM	anchor宽高的数量（18表示9个anchor，每个对应一对宽高值）。	18	[0, 100]
BIASE	每两个数组成一个anchor的宽高值，例如10、13表示第一个anchor的宽、高值。	10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，373，326	无
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.3	[0.0, 1.0]
OBJECTNESS_THRESH	是否为目标的阈值，大于阈值即认为是目标。	0.3	[0.0, 1.0]
IOU_THRESH	两个框的IOU阈值，超过阈值即认为同一个框。	0.45	[0.0, 1.0]
YOLO_TYPE	表示输出Tensor的个数，3表示有三个feature map输出。	3	[0, 16]
ANCHOR_DIM	每个feature map对应的anchor框数量。	3	[0, 16]
MODEL_TYPE	数据排布格式，0表示NHWC，1表示NCHW，2表示NCHWC。	0	无
FRAMEWORK	String类型，可选值有MindSpore，PyTorch，TensorFlow 和Caffe。	TensorFlow	无
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）	无

表2 ResNet-50模型后处理配置参数（resnet50_aipp_tf.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	1001	[0, 2000]
SOFTMAX	布尔型，是否需要在后处理中做softmax计算。	false	无
TOP_K	前K个可能性最大的类。	1	[0, 16]

表3 FasterRcnn模型后处理配置参数（faster_rcnn_uncut.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	91	[0, 1000]
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.5	[0.0, 1.0]
IOU_THRESH	两个框的IOU阈值，超过阈值即认为同一个框。	0.45	[0.0, 1.0]
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）	无
MODEL_TYPE	可选以下三个值： 0：original 1：nms_cut（模型未做非极大值抑制） 2：FPN	0	无
FRAMEWORK	可选以下三个值： TensorFlow MindSpore Pytorch	TensorFlow	无
NMS_FINISHED	modelinfer框架特有的属性值，为布尔值： false：模型本身不存在NMS算子，需后处理进行NMS操作。 true：模型本身存在NMS算子，不需后处理进行NMS操作。	true	无
注：“MODEL_TYPE”和“FRAMEWORK”参数配套说明如下： orginal配套TensorFlow框架。 nms_cut配套TensorFlow或MindSpore框架。 FPN配套Pytorch框架。

表4 ssd_vgg模型后处理配置参数（ssd_vgg16_caffe_release.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	5
SCORE_THRESH	目标阈值。	0.4
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）

表5 Ssd-Mobilenet-v1-Fpn模型后处理配置参数（ssd_mobilenetv1_fpn.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	3
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.5
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）

表6 CRNN模型后处理配置参数（crnn_ssh_2.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	0	[0, 10000]
OBJECT_NUM	可检测的字符数上限。	0	[0, 1000]
BLANK_INDEX	空白符的索引值。	0	[0, 10000]
WITH_ARGMAX	模型backbone是否已经做了argmax。	false	无

表7 **modelinfer框架**ResNet特征模型后处理配置参数（resnet_feature_caffe_release.cfg）
参数名	描述	默认值
ACTIVATION_FUNCTION	用来激活模型输出数据的激活函数。	None

表8 **modelinfer框架**ResNet多分类属性模型后处理配置参数（resnet_attribute_caffe_release.cfg）
参数名	描述	默认值
ATTRIBUTE_NUM	模型输出属性的数量。	5
ACTIVATION_FUNCTION	激活函数的类型，目前仅支持sigmoid函数。	无
ATTRIBUTE_INDEX	模型输出属性的索引。请确保索引的数量与ATTRIBUTE_NUM值相等。	无

表9 **modelinfer框架**ResNet二分类属性模型后处理配置参数（resnet_attribute_caffe_release.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	5

**表10** **modelinfer框架**YOLOv4模型后处理配置参数（yolov4_pt_bs1_fp16.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	80
BIASES_NUM	anchor宽高的数量（18表示9个anchor，每个对应一对宽高值）	18
BIASES	每两个数组成一个anchor的宽高值，例如10、13表示第一个anchor的宽、高值。	10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，373，326
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.3
OBJECTNESS_THRESH	是否为目标的阈值，大于阈值即认为是目标。	0.3
IOU_THRESH	两个框的IOU阈值，超过阈值即认为同一个框。	0.45
YOLO_TYPE	表示输出Tensor的个数，3表示有三个feature map输出。	3
ANCHOR_DIM	每个feature map对应的anchor框数量。	3
MODEL_TYPE	数据排布格式，0表示NHWC，1表示NCHW。	0
FRAMEWORK_TYPE	模型框架，0表示Pytorch，1表示MindSpore。	0
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）

**表11** YOLOv4模型后处理配置参数（yolov4_pt_bs1_fp16.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	80
BIASES_NUM	anchor宽高的数量（18表示9个anchor，每个对应一对宽高值）。	18
BIASES	每两个数组成一个anchor的宽高值，例如10、13表示第一个anchor的宽、高值。	10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，373，326
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.3
OBJECTNESS_THRESH	是否为目标的阈值，大于阈值即认为是目标。	0.3
IOU_THRESH	两个框的IOU阈值，超过阈值即认为同一个框。	0.45
YOLO_TYPE	表示输出Tensor的个数，3表示有三个feature map输出。	3
ANCHOR_DIM	每个feature map对应的anchor框数量。	3
MODEL_TYPE	数据排布格式，0表示NHWC，1表示NCHW，2表示NCHWC。	0
FRAMEWORK	String类型，可选值有MindSpore，PyTorch，TensorFlow 和Caffe。	MindSpore
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）
YOLO_VERSION	使用的yolo模型版本。	（必选）YOLO_VERSION=4

**表12** YOLOv5模型后处理配置参数（yolov5_pt_bs1_fp32.cfg）
参数名	描述	默认值	取值空间
CLASS_NUM	类别数量。	80	[0, 1000]
BIASES_NUM	anchor宽高的数量（18表示9个anchor，每个对应一对宽高值）。	18	[0, 1000]
BIASE	每两个数组成一个anchor的宽高值，例如10、13表示第一个anchor的宽、高值。	10，13，16，30，33，23，30，61，62，45，59，119，116，90，156，198，373，326	无
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.3	[0.0, 1.0]
OBJECTNESS_THRESH	是否为目标的阈值，大于阈值即认为是目标。	0.3	[0.0, 1.0]
IOU_THRESH	两个框的IOU阈值，超过阈值即认为同一个框。	0.45	[0.0, 1.0]
YOLO_TYPE	表示输出Tensor的个数，3表示有三个feature map输出。	3	[0, 1000]
ANCHOR_DIM	每个feature map对应的anchor框数量。	3	[0, 1000]
MODEL_TYPE	数据排布格式，0表示NHWC，1表示NCHW，2表示NCHWC（当前仅支持的PyTorch框架模型）。	2	[0, 1000]
FRAMEWORK	String类型，可选值有MindSpore，PyTorch，TensorFlow 和Caffe。	PyTorch	无
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）	无
YOLO_VERSION	使用的yolo模型版本。	（必选）YOLO_VERSION=5	无

**表13** **modelinfer框架**FasterRCNN-Fpn/CascadeRCNN-Fpn模型后处理配置参数（fasterrcnn.cfg或cascadercnn.cfg）
参数名	描述	默认值
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标，实验使用0.3。	0.5
FPN_SWITCH	FPN开关，这两个模型均要设为true。	false

**表14** DeepLabV3+（TensorFlow）模型后处理配置参数（deeplabv3.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	21
FRAMEWORK_TYPE	深度学习框架类型选择。	TensorFlow框架选择0

**表15** CTPN模型后处理配置参数（ctpn_tf.cfg）
参数名	描述	默认值	取值区间
IS_ORIENTED	是否进行检测框倾斜。	false	无
BOX_IOU_THRESH	检测小框的iou阈值。	0.7	[0.0, 1.0]
TEXT_IOU_THRESH	最终文本框的iou阈值。	0.2	[0.0, 1.0]
TEXT_PROPOSALS_MIN_SCORE	检测小框的最小分数过滤。	0.7	[0.0, 1.0]
LINE_MIN_SCORE	最终文本框的最小分数过滤。	0.9	[0.0, 1.0]
IS_MINDSPORE	是否为MindSpore框架。	false	无

**表16** CTPN模型后处理配置参数（ctpn_mindspore.cfg）
参数名	描述	默认值	取值区间
IS_ORIENTED	是否进行检测框倾斜。	false	无
BOX_IOU_THRESH	检测小框的iou阈值。	0.7	[0.0, 1.0]
TEXT_IOU_THRESH	最终文本框的iou阈值。	0.2	[0.0, 1.0]
TEXT_PROPOSALS_MIN_SCORE	检测小框的最小分数过滤。	0.7	[0.0, 1.0]
LINE_MIN_SCORE	最终文本框的最小分数过滤。	0.9	[0.0, 1.0]
IS_MINDSPORE	是否为MindSpore框架。	true	无

**表17** ResNet-18模型后处理配置参数（resnet18_aipp_tf.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	2

**表18** DeepLabv3（MindSpore）模型后处理配置参数（deeplabv3.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	21
MODEL_TYPE	模型推理输出数据的排布格式，0表示NHWC，1表示NCHW。	1
FRAMEWORK_TYPE	深度学习框架类型选择。	MindSpore框架选择2

**表19** BERT-Base (Uncased) 模型后处理配置参数（bert.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	2
CHECK_MODEL	检查模型兼容性。	false

**表20** DeepLabV3+（Pytorch）模型后处理配置参数（deeplabv3.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	21
CHECK_MODEL	检查模型兼容性。	true
MODEL_TYPE	模型推理输出数据的排布格式，0表示NHWC，1表示NCHW。	1
FRAMEWORK_TYPE	深度学习框架类型选择。	Pytorch框架选择1

**表21** U-Net模型后处理配置参数（unet_simple.cfg）
参数名	描述	默认值
CLASS_NUM	类别数量。	2
POST_TYPE	模型后处理方式，0表示对模型logits输出（NHWC型）做argmax，1表示对模型argmax输出结果（NHW型）透传。	1
RESIZE_TYPE	对像素图做插值还原的方式，暂只支持两种方式： 0：不做插值还原。 1：最邻近插值还原。	1

**表22** Mask R-CNN模型后处理配置参数（mask_rcnn_2017.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	推理类别总数，背景不计算在内。	80	[0, 100]
SCORE_THRESH	置信度得分阈值，可根据业务场景调整。	0.7	[0.0, 1.0]
IOU_THRESH	IOU阈值，可根据业务场景调整。	0.5	[0.0, 1.0]
RPN_MAX_NUM	Region Proposal Network最大个数。	1000	[0, 1000]
MAX_PER_IMG	按置信度排序，每张图预测框的最大值。	128	[0, 150]
MASK_THREAD_BINARY	输入RCNN的掩码阈值。	0.5	[0.0, 1.0]
MASK_SHAPE_SIZE	mask_rcnn中掩码的形状，只支持单参数表示正方形。	28	[0, 100]
MODEL_TYPE	可选以下两个值。 0：MindSpore 1：Pytorch	0	无
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）	无

**表23** Ssd_Mobilenet_v1_Fpn_for_MindSpore模型后处理配置参数（ssd_mobilenetv1_fpn.cfg））
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	81	[0, 100]
SCORE_THRESH	目标是否为某种类别物体的阈值，大于阈值即认为是该目标。	0.5	[0.0, 1.0]
IOU_THRESH	目标重合程度的阈值，大于阈值即认为两个目标框对应同一个目标。	0.6	[0.0, 1.0]
SEPARATE_SCORE_THRESH	各个类别对应的阈值。	CLASS_NUM（数量）个SCORE_THRESH（阈值），以逗号为分隔符。（阈值数量等于CLASS_NUM。）	无

**表24** OpenPose模型后处理配置参数（openpose.cfg）
参数名	描述	默认值	取值区间
KEYPOINT_NUM	关键点个数，加上背景（背景算一个）。	19	[0, 100]
FILTER_SIZE	高斯滤波核的长（或宽）。	25	[0, 100]
SIGMA	高斯滤波核的方差。	3	[0, 10]

**表25** HigherHRnet模型后处理配置参数（higherhrnet.cfg）
参数名	描述	默认值	取值区间
KEYPOINT_NUM	关键点个数。	17	[0, 20]
SCORE_THRESH	关键点阈值。	0.1	[0.0, 1.0]

**表26** Unet++模型后处理配置参数（unet_nested.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	类别数量。	3	无
POST_TYPE	模型后处理方式，0表示对模型logits输出（NHWC型）做argmax，1表示对模型argmax输出结果（NHW型）透传。	1	[0, 16]
RESIZE_TYPE	对像素图做插值还原的方式，暂只支持两种方式： 0：不做插值还原。 1：最邻近插值还原。	1	[0, 16]

**表27** RetinaNet模型后处理配置参数（retinanet_tf.cfg）
参数名	描述	默认值	取值区间
CLASS_NUM	代表数据集类别数量（默认COCO数据集是80类）。	80	[0, 100]
MODEL_TYPE	代表模型类别，目前仅支持TensorFlow模型。	0	[0, 100]
SCORE_THRESH	代表分数阈值。	0.5	[0.0, 1.0]

父主题： 模型支持参考