https://blog.csdn.net/zh8706/article/details/94554337
海思NNIE开发系列文章：
海思NNIE开发（一）：海思Hi3559AV100/Hi3519AV100 NNIE深度学习模块开发与调试记录
海思NNIE开发（二）：FasterRCNN在海思NNIE平台上的执行流程（一）
海思NNIE开发（三）：FasterRCNN在海思NNIE平台上的执行流程（二）
海思NNIE开发（四）:NNIE模块读入JPEG图片或视频
海思NNIE开发（五）：基于Hi3559AV100的FasterRCNN、RFCN、SSD、Yolov2、Yolov3性能综合测评
-----------------------------------------------------------------------------------------------------------------
附Caffe学习文章系列：
Caffe学习（一）：安装Windows版Caffe与Faster RCNN过程中的报错及解决方法
Caffe学习（二）：Windows训练与测试Caffe mnist
Caffe学习（三）：Caffe solver文件参数详细解析
Caffe学习（四）：Windows使用Cifar10训练及测试Caffe版DenseNet
Caffe学习（五）：Caffe py-Faster-RCNN 源码解析（一）
Caffe学习（六）：Caffe 添加自定义层
Caffe学习（七）：Caffe添加自定义层（2）：Python层
Caffe学习（八）：Windows下编译及调试Debug版Caffe
Caffe学习（九）：Caffe源码函数调用关系图
Caffe学习（十）：Caffe中Solver、Net、Layer、Blob的构建流程
------------------------------------------------------------------------------------------------------------------------------
1. 开发流程 链接：https://pan.baidu.com/s/1SJ9OOfCjJvqLAuMoPpb1yA 提取码：pjvu
2. 例程解析 海思的NNIE例程包含以下几个模型：
~ # ./sample_nnie_main Usage : ./sample_nnie_main <index> index: 0) RFCN(VI->VPSS->NNIE->VGS->VO). 1) Segnet(Read File). 2) FasterRcnnAlexnet(Read File). 3) FasterRcnnDoubleRoiPooling(Read File). 4) Cnn(Read File). 5) SSD(Read File). 6) Yolov1(Read File). 7) Yolov2(Read File). 8) LSTM(Read File).
RFCN例程中，VI模块绑定了VPSS模块，VI从摄像头输入一路1080P视频，经VPSS分解为两路，一路stBaseFrmInfo保持原来的1080P分辨率，一路stExtFrmInfo转为CIF(352x288)分辨率，stExtFrmInfo输入到NNIE模块SAMPLE_SVP_NNIE_Rfcn_Proc得到分类与框位置信息，再将框位置信息通过SAMPLE_COMM_SVP_NNIE_FillRect给到VGS模块画框，最后通过HI_MPI_VO_SendFrame发送到VO，在HDMI显示器上显示。测试表明处理一帧数据的时间约为89毫秒，即帧率为11帧左右。
其他1）~8）例程直接读取图片文件给到NNIE处理，处理完后打印分类及框信息。
模型 分类数量 处理时间（毫秒） 帧率 RFCN 21 89 11 FasterRcnnAlexnet 2 145 7 FasterRcnnDoubleRoiPooling 4 240 4 MINIST 10 未测试 未测试 SSD 21 120 8 YOLO v1 21 37 27 YOLO v2 6 81 12 sample_nnie_main.c例程函数调用关系：
3. 模型的颜色空间 需要注意的是RFCN的wk模型文件与后面1）~8）几个模型的wk模型文件的颜色格式是不同的，RFCN调用的wk文件是YVU420颜色空间，而1）~8）模型的是BGR颜色空间。原因是后面1）~8）的模型是通过读图片文件的方式，图片需为颜色空间为BGR的裸数据，后缀名为*.bgr格式。如果要使用1）~8）的模型对视频流数据（来源于VI或VDEC模块，即从摄像头输入或本地视频文件解码）进行处理，需要使用YVU420颜色空间的wk模型文件，否则模型处理会失败。
4. VDEC--VPSS--NNIE-- VGS--VO流程开发 该流程通过VDEC读入本地的视频文件并解码，经过VPSS给到NNIE做神经网络处理，再通过VGS大框，再从VO-HDMI输出。
流程如下：
（1）初始化相关参数
（2）初始化VB（SAMPLE_COMM_SYS_Init），必须先于VDEC,VPSS等模块之前初始化VB
（3）load模型文件（SAMPLE_COMM_SVP_NNIE_LoadModel）
（4）初始化模型参数（SAMPLE_SVP_NNIE_XXXXX_ParamInit）
（5）初始化VDEC（SAMPLE_COMM_VDEC_InitVBPool）
（6）开启VDEC（SAMPLE_COMM_VDEC_Start）
（7） 开启VPSS（SAMPLE_COMM_VPSS_Start）
（8） 开启VO（SAMPLE_COMM_VO_StartVO）
（9）绑定VDEC与VPSS（SAMPLE_COMM_VDEC_Bind_VPSS）
（10）开启解码线程（SAMPLE_COMM_VDEC_StartSendStream）
（11）开启NNIE处理线程，从VPSS取帧数据，NNIE处理，再用VGS加框
（12）结束，反初始化等操作
VDEC模块读取的视频文件需为H.264的裸数据文件（.h264格式），该模块可参考sample_vdec例程编写，一个通道对应一个视频文件。
VPSS模块有组（Group）与通道，一个组（Group）对应一个VDEC通道，即有多少个VDEC通道就有多少个VPSS Group。每个VPSS的Group， 有两个VPSS通道，一个对应原视频分辨率，一个对应wk模型文件要求输入的图像分辨率。需要注意的是，astVpssChnAttr[i].u32Depth参数必须大于0，因为需要调用HI_MPI_VPSS_GetChnFrame获取帧数据。
VO支持显示多个窗口，每个窗口对应1路视频，例如设置
stVoConfig.enVoMode = VO_MODE_4MUX; 则显示为4分屏，VGS处理完后数据通过HI_MPI_VO_S https://blog.csdn.net/zh8706/article/details/94554337
