全志V853 NPU开发（三）模型转换、量化、导出
1.模型转换
我这里应用的是onnx格式模型，导入onnx模型时，若报错识别不到input shape，则需要使用onnx-sim工具转换为静态input shape
转换命令如下：
pegasus import onnx --model falldown.onnx --output-model falldown.json --output-data falldown.data
此步骤转换得到falldown.json和falldown.data。
2.获取yml文件
yml 文件对网络的输入和输出的超参数进行描述以及配置，这些参数包括，输入输出 tensor 的形状，归一化系数 (均值，零点)，图像格式，tensor 的输出格式，后处理方式等等；
转换命令如下：
pegasus generate inputmeta --model falldown.json --input-meta-output falldown_inputmeta.yml
pegasus generate postprocess-file --model falldown.json --postprocess-file-output falldown_postprocess_file.yml
此步骤生成falldown_inputmeta.yml 和 falldown_postprocess_file.yml。
3.量化
此步骤主要是生成量化表文件，uint8量化数据格式；需要事先在模型同级文件夹下准备dataset.txt文件；
dataset.txt文件格式如下：
./val/1.jpg 0
./val/2.jpg 1
./val/3.jpg 2
同级目录下建立val文件夹，内放三个jpg图，分别命名为1 2 3；
量化命令如下，其中–batch-size参数设置为你提供的图片的数量：
pegasus quantize --model falldown.json --model-data falldown.data --batch-size 3 --device CPU --with-input-meta falldown_inputmeta.yml --rebuild --model-quantize falldown.quantize --quantizer asymmetric_affine --qtype uint8
此步骤生成 falldown.quantize量化表文件。
4.预推理
执行预推理生成输入data文件和输出结果文件；
输入命令：
pegasus inference --model falldown.json --model-data falldown.data --batch-size 1 --device CPU --with-input-meta falldown_inputmeta.yml --postprocess-file falldown_postprocess_file.yml
因为我使用的模型为1个输入1个输出的模型，所以此步骤生成 iter_0_attach_Sigmoid_Sigmoid_107_out0_0_out0_1_1.tensor 和 iter_0_input_104_out0_1_3_224_224.tensor两个文件；
其中iter_0_attach_Sigmoid_Sigmoid_107_out0_0_out0_1_1.tensor为输出结果，这个输出结果可以和后面你自己写代码推理此模型的输出做个对比；iter_0_input_104_out0_1_3_224_224.tensor为输入图片转换得到的浮点数输入。
5.导出模型
模型在开发板上部署需要转换为全志的格式（model.nb格式），输入命令：
pegasus export ovxlib --model falldown.json --model-data falldown.data --dtype quantized --model-quantize falldown.quantize --batch-size 1 --save-fused-graph --target-ide-project 'linux64' --with-input-meta falldown_inputmeta.yml --output-path ovxilb/falldown-simprj --pack-nbg-unify --postprocess-file falldown_postprocess_file.yml --optimize "VIP9000PICO_PID0XEE" --viv-sdk ${VIV_SDK}
即可生成部署模型以及配套的部署模板代码，如下图，这个代码可以用来做参考，然后去自己调用VIPLite库写个模型部署的demo，见下一篇。。。
