【功能模块】

版本：商用版5.0.2

amct版本：0.5.0

样例：https://github.com/ultralytics/yolov5

【操作步骤&问题现象】

方法a，使用amct：

1、已训练pt文件转为rgb_v11.onnx模型，大小为135m，v11代表使用onnx: opset 11，使用如下命令

amct_onnx calibration --model ./rgb_v11.onnx --save_path ./rgb_v11 --input_shape "images:1,3,768,1344"  --data_dir "./data"  --data_types "float32"

其中"./data"中的文件为 input_float32_1x3x768x1344.bin，依赖训练图片resize而成，非随机数据。该命令运行成功后生成rgb_v11_deploy_model.onnx，大小为34.9m。

2、运用

atc --model=./rgb_v11_deploy_model.onnx --framework=5 --output=rgb_v11_deploy --soc_version=ascend310 --input_shape="images:1,3,768,1344" --insert_op_conf=aipp_v5.cfg --enable_small_channel=1 --buffer_optimize=l2_optimize

生成rgb_v11_deploy.om文件，大小为38.1m

3、昇腾310上推理该rgb_v11_deploy.om模型，一张像素大小为1920 * 1080的jpeg图片，耗时89 ms，包括数据预处理、推理、后处理。

方法b，未使用amct：

1、已训练pt文件转为rgb_v11.onnx模型，大小为135m，v11代表使用onnx: opset 11，模型同方法a1，使用如下命令

atc --model=./rgb_v11.onnx --framework=5 --output=rgb_v11  --soc_version=ascend310 --input_shape="images:1,3,768,1344" --insert_op_conf=aipp_v5.cfg --enable_small_channel=1 --buffer_optimize=l2_optimize

生成rgb_v11.om文件，大小为69.9m

2、昇腾310上推理rgb_v11.om模型，一张像素大小为1920 * 1080的jpeg图片，图片同方法3，耗时92 ms，与a3中的89ms相比，减少了3ms，推理时间几乎没有改变。包括数据预处理、推理、后处理，代码同a3。

【截图信息】

【日志信息】（可选，上传日志内容或者附件）