地平线deeplabv3+ 参考算法如何实现resize和argmax算子的BPU加速？

1. 前言

为了保证模型输出的精度，地平线的实例分割参考算法deeplabv3+在部署时，将模型尾部的resize和argmax放在了CPU的后处理代码中进行计算，但是这样也带来了一些问题，比如会占用比较大的CPU资源，尤其是大尺寸特征图的argmax计算。事实上，地平线J5的BPU也是支持resize和argmax算子的，本帖将介绍将resize和argmax计算融入到deeplabv3+模型中进行BPU加速的教程。

2. 代码修改流程

2.1 环境部署

2.2 代码修改流程

Step1:

在Docker环境下，进入到/usr/loacal/lib/python3.8/dist-packages/hat/models/task_modules/deeplab/head.py目录下，修改Deeplabv3plusHead类的代码，如下所示：

Step2:

在Docker环境下，进入到/usr/loacal/lib/python3.8/dist-packages/hat/models/structures/encoder_decoder.py 目录下，修改_post_process函数的代码，如下所示：

Step3:

进入到OE开发包的ddk/samples/ai_toolchain/horizon_model_train_sample/scripts/configs/segmentation目录下，

修改config文件中的model和deploy_model字段，如下所示：

Step4:

修改config文件中的update_val_metric函数：

至此，代码修改完成。

然后，我们按照地平线的算法工具链用户手册完成deeplabv3+参考算法的训练和编译后，生成的板端部署hbm模型就可以实现resize和argmax在BPU上的加速了。