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（五）：基于Hi3559AV100的FasterRCNN、RFCN、SSD、Yolov2、Yolov3性能综合测评
-----------------------------------------------------------------------------------------------------------------------------------------
基于海思的Hi3559AV100芯片在NNIE平台上FasterRCNN、RFCN、SSD、Yolov2、Yolov3 多个网络模型做推理测评，demo的处理流程为：
视频文件（1080P）———>VDEC———>VPSS———>NNIE———>VGS———>VO(HDMI)
1080P的视频文件经过VPSS模块转换为各个网络模型所需要的分辨率再进过NNIE处理。
| 分类 | 网络输入分辨率 | NNIE一帧处理时间（毫秒） | 全流程一帧处理时间（毫秒） |
帧率 | 检测效果 | |
|---|---|---|---|---|---|---|
| RFCN | VOC2007 21分类（含背景） | 352x288 | 76 | 77 | 13 | 汽车场景：检测稳定，缺点是只能检测中近处的汽车，远处汽车无法检测 |
| FasterRCNN(Alexnet) | 2分类：背景与行人 |
1240x375 | 150 | 151 | 7 | 行人场景：检测稳定 缺点：速度太慢 |
| FasterRCNN(DoubleRoiPooling) | 4分类： 背景，人，人群，坐着的人 |
224x224 | 170 | 171 | 6 | 行人场景：检测稳定 缺点：速度太慢 |
| SSD | VOC2007 21分类（含背景） | 300x300 | 85 |
86 | 12 | 汽车场景：只能检测近景汽车，无法检测中、远处汽车，效果比RFCN差 行人场景：不够稳定，间断性丢失目标 |
| Yolo v2 | 6分类 （背景，汽车，货车，卡车，行人，骑自行车的人） |
416x416 | 78 | 79 | 13 | 汽车场景：效果差，经常检测不到汽车 行人场景：效果差，基本检测不到行人 |
| Yolo v3 | Coco 81分类（含背景） | 416x416 | 141 | 142 | 7 | 汽车场景：效果好，无论远处和近处都可以检测到汽车 行人场景：效果好，另外可检测到电动单车及路灯 缺点：速度慢 |
对各个网络的效果及性能排名，如下：
检测效果排名：1. Yolo v3; 2.RFCN; 3.FasterRCNN； 4. SSD; 5. Yolo v2
检测速度排名：1. RFCN; 2.Yolo v2; 3. SSD；4. Yolo v3; 4. FasterRCNN
综合排名：1. RFCN；2. Yolo v3. 3. FasterRCNN; 4. SSD； 5. Yolo v2
检测画面如下：
RFCN:
汽车场景：
FasterRCNN(Alexnet)：
行人场景：
FasterRCNN(DoubleRoiPooling)
行人场景：
SSD
汽车场景：
行人场景：
Yolo v2
汽车场景：
行人场景：
Yolo v3
汽车场景：
行人场景：
另外，检测效果的各个视频文件已上传到百度网盘.。
