RKNN模型评估-性能评估和内存评估

基于Python的模型评估

perf_debug：进行性能评估时是否开启debug 模式。在 debug 模式下，可以获取到每一层的运行时间，否则只能获取模型运行的总时间。默认值为 False。
eval_mem: 是否进入内存评估模式。进入内存评估模式后，可以调用 eval_memory 接口获取模型运行时的内存使用情况。默认值为 False。

性能评估的例子

读取yolov8n_relu.rknn模型，并连RK3566开发板，进行性能评估

from rknn.api import RKNNif __name__ == '__main__':rknn = RKNN()# 使用Load_rknn接口导入rknn模型rknn.load_rknn(path= './yolov8n_relu.rknn')# 使用init_runtime接口初始化运行时环境rknn.init_runtime(target = 'RK3566',perf_debug = True, # perf_debug是否开启性能评估的debug模式eval_mem = False,  # eval_mem是否开启内存评估模式)# 使用eval_perf接口进行性能评估rknn.eval_perf(inputs = ["bus.jpg"],   # inputs要测试的图片data_format = None,	# data_format要推理的数据模式，使用默认值is_print = True,	# is_print是否打印性能信息)rknn.release()

内存评估的例子

读取yolov8n_relu.rknn模型，并连RK3566开发板，进行内存评估

from rknn.api import RKNNif __name__ == '__main__':rknn = RKNN()# 使用Load_rknn接口导入rknn模型rknn.load_rknn(path= './yolov8n_relu.rknn')# 使用init_runtime接口初始化运行时环境rknn.init_runtime(target = 'RK3566',perf_debug = False, # perf_debug是否开启性能评估的debug模式eval_mem = True,  # eval_mem是否开启内存评估模式)# 使用eval_memory接口进行内存评估rknn.eval_memory(is_print = True,	# is_print是否打印性能信息)rknn.release()

备注：
基于Python的性能评估和内存评估可以同时运行rknn.init_runtime中的perf_debug和eval_mem都设置为True，并调用 rknn.eval_perf函数和rknn.eval_memory函数

基于C++的模型评估

查询网络各层运行时间
如果在rknn_init函数调用时有设置RKNN_FLAG_COLLECT_PERF_MASK标志，那么 在执行rknn_run完成之后，可以传入RKNN_QUERY_PERF_DETAIL命令来查询网络每层 运行时间。其中需要先创建rknn_perf_detail结构体对象。

ret = rknn_init(&ctx, model_data, model_data_size, RKNN_FLAG_COLLECT_PERF_MASK, NULL);//如果想打印逐层耗时，将第四个参数设为：RKNN_FLAG_COLLECT_PERF_MASK...// 查询模型逐层耗时，单位是微妙
rknn_perf_detail perf_detail;
ret = rknn_query(ctx,RKNN_QUERY_PERF_DETAIL,&perf_detail,sizeof(perf_detail));
printf("-->模型逐层耗时:%s\n",perf_detail.perf_data);

参考链接：
https://www.bilibili.com/video/BV1Kj411D78q?p=8
https://www.easy-eai.com/document_details/3/183