想问一下“FairMOT目标跟踪样例”是那个YOLO模型：mindxsdk-referenceapps: MindX SDK Reference Apps - Gitee.com

【功能模块】ModelArts产品AI应用服务ID 7bb213cc-d27c-4f25-88db-d15b7a79fd66【操作步骤&问题现象】1、原yolov5 提供了模型集成，但在obs中上传两个模型文件（.pt）后推理错误。模型（pt）的读入是不公开的，无法修改推理文件完成Ensemble Inference。2、官方要求的文件路径如下OBS桶/目录名 |── resnet | ├── model 必选： 固定子目录名称，用于放置模型相关文件 | │ ├── <<自定义Python包>> 可选：用户自有的Python包，在模型推理代码中可以直接引用 | │ ├── resnet50.pth 必选，pytorch模型保存文件，保存为“state_dict”，存有权重变量等信息。 | │ ├──config.json 必选：模型配置文件，文件名称固定为config.json, 只允许放置一个 | │ ├──customize_service.py 必选：模型推理代码，文件名称固定为customize_service.py, 只允许放置一个，customize_service.py依赖的文件可以直接放model目录下3、我的OBS【日志信息】（可选，上传日志内容或者附件）

【功能模块】【图像识别Image】【调用API】【操作步骤&问题现象】1、按照视频教程操作（了解如何使用Token认证）：https://bbs.huaweicloud.com/videos/1013332、在Postman中出现404，API不存在的错误。【截图信息】Postman 输入user name,password,domina name 已作修改postman 响应【日志信息】（可选，上传日志内容或者附件）构造请求_图像识别 Image_API参考_如何调用API_华为云 (huaweicloud.com)

3D结构光技术的基本原理是，通过近红外激光器，将具有一定结构特征的光线投射到被拍摄物体上，再由专门的红外摄像头进行采集。这种具备一定结构的光线，会因被摄物体的不同深度区域，而采集不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息，以此来获得三维结构。简单来说就是，通过光学手段获取被拍摄物体的三维结构，再将获取到的信息进行更深入的应用。1964年，VanderLugt匹配滤波器的出现标志着光学模式识别的诞生。经过40年来无数科学工作者的研究和发展，光学模式识别已经成为信息光学的一个重要分支。随着计算机技术和空间光调制技术的迅速发展，利用光学方法实现的图像识别技术也逐渐由传统的纯光学元件组成的系统向光学与计算机软硬件相结合的系统转变，得到越来越多的应用。但是，传统的光学图像识别方法是以二维图像相关为基础的，面对三维物体的识别仍然存在困难。本文主要研究基于结构照明的三维物体识别方法，这种相关识别方法的实质是通过结构光投影，构造一个新的识别复函数，物体的高度分布以复函数位相的形式编码于新的识别复函数之中，因此该方法具有本征三维识别的特点。本文提出二种三维物体识别方法，一种是基于结构照明和联合变换相关的方法，另一种是基于结构照明和匹配空间滤波的方法。文中给出了二种方法的原理，计算公式，识别系统结构和实验结果。具有创新性的工作包括：1．基于结构照明和联合变换相关的方法：将一正弦条纹分别投影到参考物体和待测表面，摄像机得到的是两幅有变形条纹的二维强度像。参考的变形条纹图像和待识别的变形条纹图像，经过联合变换相关，得到自相关和互相关输出，最后根据输出的相关峰大小即可判别不同的物体。这种相关识别方法具有本征三维识别的特点，计算机模拟实验证明了这种方法用于三维物体识别的可能性。2．基于结构照明和匹配空间滤波的方法：首先通过结构照明，由CCD摄像机获取参考物体不同方位的输入图像序列，该图像序列通过变形条纹编码的方法携带了物体的三维信息；其次对图像序列分别进行傅里叶变换和滤波形成三维物体（含方位）频域表达数据库；最后通过结构照明，由CCD摄像机获取待识别物体的输入图像，计算其频域表达，并与数据库中的频域表达匹配，根据相关峰的大小即可以判别出不同的物体。模拟实验和实测实验结果都证明了这种方法的有效性，它不仅可以实现三维物体识别，还可以给出物体旋转角度的估计值。

日志如下：其中还出现了一个E11019问题，本人深度学习小白，请大神指导以下另外问一下atlas有没有官方群[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.420 [error_manager.cc:295]3636 ReportErrMessage: [COMP][PRE_OPT][Report][Error]error_code E11019 is not registered[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.455 [node.cc:711]3636 Verify: ErrorNo: 4294967295(failed) [COMP][PRE_OPT][Check][Param] operator YoloV5DetectionOutput_1's input 1 is not linked.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.500 [infershape_pass.cc:136]3636 InferShapeAndType: ErrorNo: 4294967295(failed) [COMP][PRE_OPT][Call][Verify] Verifying YoloV5DetectionOutput_1 failed.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.798 [infershape_pass.cc:120]3636 Infer: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][InferShapeAndType] for node:YoloV5DetectionOutput_1(YoloV5DetectionOutput) failed[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.826 [infer_base_pass.cc:120]3636 InferAndUpdate: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][Infer] failed for node YoloV5DetectionOutput_1, ret: 1343242270[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.836 [infer_base_pass.cc:77]3636 Run: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][InferAndUpdate] for node YoloV5DetectionOutput_1 failed! ret: 1343242270[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.855 [base_pass.cc:509]3636 RunPassesOnNode: ErrorNo: 1343225860(Internal errors) [COMP][PRE_OPT][Process][Pass] InferShapePass on node YoloV5DetectionOutput_1 failed, result 4294967295, the passes will be terminated immediately.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.866 [base_pass.cc:461]3636 RunPassesNodeOnce: ErrorNo: 4294967295(failed) [COMP][PRE_OPT][Process][Passes] on node YoloV5DetectionOutput_1 type YoloV5DetectionOutput failed, error code:4294967295[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.362.876 [base_pass.cc:417]3636 RunPassesGraphRepass: ErrorNo: 4294967295(failed) [COMP][PRE_OPT][Process][Passes] on node YoloV5DetectionOutput_1 type YoloV5DetectionOutput failed, error code:4294967295[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.018 [graph_preprocess.cc:2267]3636 InferShapeForPreprocess: ErrorNo: 4294967295(failed) [COMP][PRE_OPT][Run][GePasses] infershape for preprocess failed, ret:4294967295.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.039 [graph_preprocess.cc:1847]3636 FormatAndShapeProcess: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][InferShapeForPreprocess] Prepare Graph infershape failed[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.050 [graph_preprocess.cc:1967]3636 PrepareDynShape: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Process][Prepare_FormatAndShapeProcess] failed[EVENT] GE(3636,atc.bin):2022-04-27-23:06:14.363.058 [graph_manager.cc:820]3636 PreRunOptimizeOriginalGraph:[GEPERFTRACE] The time cost of GraphManager::stages.preparer.PrepareDynShape is [46893] micro second.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.066 [graph_manager.cc:820]3636 PreRunOptimizeOriginalGraph: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Process][GraphManager_stages.preparer.PrepareDynShape] failed[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.079 [graph_manager.cc:3337]3636 OptimizeGraph: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Run][PreRunOptimizeOriginalGraph] failed for graph:best_t_bs1_NPU, session_id:0[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.093 [graph_manager.cc:3408]3636 ProcessNodeEngineBuild: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Run][OptimizeSubGraph] failed for graph:best_t_bs1_NPU, session_id:0.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.261 [graph_manager.cc:1005]3636 StartForRunGraph: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][PreRun] Failed, graph_id:0, session_id:0.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.275 [graph_manager.cc:1402]3636 BuildGraph: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][PRE_OPT][Call][StartForRunGraph] failed! graph_id:0.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.296 [ge_generator.cc:1420]3636 BuildModel: ErrorNo: 1343266819(Graph manager build graph failed.) [COMP][DEFAULT][Build][Graph] fail, graph id: 0[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.311 [ge_generator.cc:820]3636 GenerateModel: ErrorNo: 1343242270(Prepare Graph infershape failed) [COMP][DEFAULT][Build][Model] failed, ret:1343242270.[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.509 [main_impl.cc:1066]3636 GenerateModel: ErrorNo: 4294967295(failed) [COMP][DEFAULT]GE GenerateOfflineModel execute failed[ERROR] GE(3636,atc.bin):2022-04-27-23:06:14.363.522 [main_impl.cc:1067]3636 GenerateModel: ErrorNo: 4294967295(failed) [COMP][DEFAULT]ATC Generate execute failed

图像识别（Image Recognition），是指利用计算机对图像进行分析和理解，以识别各种不同模式的目标和对象的技术，包括图像标签，名人识别等。图像识别以开放API（Application Programming Interface，应用程序编程接口）的方式提供给用户，用户通过实时访问和调用API获取推理结果，帮助用户自动采集关键数据，打造智能化业务系统，提升业务效率。图像标签可识别上千种通用物体以及数百种场景标签，一个图像可包含多个标签内容，语义内容非常丰富。更智能、准确的理解图像内容，让智能相册管理、照片检索和分类、基于场景内容或者物体的广告推荐等功能更加准确。名人识别利用深度神经网络模型对图片内容进行检测，准确识别图像中包含的影视明星、网红、政治人物等。

华为云云享.书库》系列电子书来啦！本系列电子书旨在帮助开发者成长，汇聚华为云内外部专家技术精华制作而成。 本书《从零到一•Python图像处理》是该系列电子书第3部。本书作者杨秀璋，贵州财经大学教师，武汉大学在读博士。长期从事Web数据挖掘、知识图谱、人工智能、网络安全等方向研究，现已出版专著6部，发表论文30余篇，主持课题6项（含1项贵州省优秀自然科学基金），并参与多项国家级课题。近十年在华为云等社区分享原创博客600余篇，开源项目100余个，全网累计阅读量超过1000万人次，粉丝20余万。此书是作者十多年图像处理及识别编程经验的结晶，包含丰富真实的案例及详细的算法原理，采用Python3、OpenCV和Keras等库实现，通过图文结合、代码注释、实例详解的形式娓娓道来。希望这本电子书及开源的代码能帮助读者迅速入门，并让图像处理及识别领域的知识轮廓逐渐清晰。全书包括三部分内容，共48章。第一部分是图像处理基础知识（共10章），详细介绍了图像处理基础、OpenCV入门、几何图形绘制、算数与逻辑运算、几何变换、量化和采样处理等内容。第二部分是图像运算和图像增强（共17章），包括图像点运算、灰度变换、形态学处理、直方图绘制、图像均衡化、平滑锐化等内容。第三部分是图像识别及图像高阶案例（共21章），包括图像分割、傅里叶变换、霍夫变换、图像分类、特效处理、OpenGL、图像去雾等知识，也囊括了经典的文字识别、车牌识别、人脸识别、目标检测、基于深度学习的图像分类、小麦检测、GAN图像生成等案例。本书详细讲解了Python图像处理及识别知识，是市面上为数不多结合实战的图像处理书籍，更是一本计算机视觉的宝典。全书内容通俗易懂，案例丰富，图文并茂，便于读者快速上手，非常适合初学者、技术人员和高校师生学习。同时，作者杨秀璋长期从事相关研究，实践经验丰富，并且乐于分享知识。无论是新手还是经验丰富的技术人员，都希望您能从中获益。扫描下方二维码，回复“云享书库”，快来免费领取这本电子书吧~附：云享书库第2期：年度重磅！华为云2021应用构建技术实践精选集，七大领域400页+云上开发宝典，免费下载！云享书库第1期：【年度重磅】2020华为云社区年度技术精选合集，700页+免费下载！

【赛事资讯】2022年3月26日-- 4月1日✨【品牌赛事】提交倒计时｜2022软挑作品提交通道已开启摘要：第八届华为软件精英挑战赛报名截止到3月24日18：00已结束，3月25日9：00作品提交通道已开启。✨【书籍分享】华为云专家10年技术沉淀，684页《从零到一•Python图像处理》独家免费下载摘要：本书作者杨秀璋，贵州财经大学教师，武汉大学在读博士。长期从事Web数据挖掘、知识图谱、人工智能、网络安全等方向研究，现已出版专著6部，发表论文30余篇，主持课题6项（含1项贵州省优秀自然科学基金），并参与多项国家级课题。近十年在华为云等社区分享原创博客600余篇，开源项目100余个，全网累计阅读量超过1000万人次，粉丝20余万。✨【直播预告】华为云大咖带你玩转云原生DevSecOps摘要：本直播为华为云云原生入门级开发者认证人才计划活动第8场直播，本直播将由华为云高级讲师路老师给大家分享敏捷软件开发和DevOps的概念及其关系、持续集成、持续交付、持续部署的概念、华为云HE2E DevOps框架，带你玩转云原生DevSecOps！✨【资产园地】102种常见的昆虫识别模型｜识别昆虫, 提高农产品产量, 稳定市场价格摘要：昆虫害虫是影响农产品产量的主要因素之一。 准确识别虫害有助于及时采取预防措施，避免经济损失。这个模型可以预测102种常见的昆虫，包含rice leaf roller,rice leaf caterpillar, paddy stem maggot, asiatic rice borer, yellow rice borer等。输入一个图像，这个模型会预测该图像中昆虫分别属于每个类别的置信度，置信度的取值范围为0到1。✨【技术干货】手把手教您体验ModelArts Notebook摘要：ModelArts 是面向开发者的一站式 AI 平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。往期回顾：【赛事资讯】2022年3月25日精彩速递-提交倒计时｜2022软挑作品提交通道已开启【赛事资讯】2022年3月18日精彩速递-第八届华为软件精英挑战赛火热报名中，超全FAQ来袭！【赛事资讯】2022年3月11日精彩速递-2022华为大学生无线基站Massive MIMO创新大赛正式开启，快来报名参赛吧！【赛事资讯】2022年3月4日精彩速递-官宣！2022年第八届华为软件精英挑战赛正式启动报名

《华为云云享.书库》系列电子书来啦！本系列电子书旨在帮助开发者成长，汇聚华为云内外部专家技术精华制作而成。 本书《从零到一•Python图像处理》是该系列电子书第3部。本书作者杨秀璋，贵州财经大学教师，武汉大学在读博士。长期从事Web数据挖掘、知识图谱、人工智能、网络安全等方向研究，现已出版专著6部，发表论文30余篇，主持课题6项（含1项贵州省优秀自然科学基金），并参与多项国家级课题。近十年在华为云等社区分享原创博客600余篇，开源项目100余个，全网累计阅读量超过1000万人次，粉丝20余万。此书是作者十多年图像处理及识别编程经验的结晶，包含丰富真实的案例及详细的算法原理，采用Python3、OpenCV和Keras等库实现，通过图文结合、代码注释、实例详解的形式娓娓道来。希望这本电子书及开源的代码能帮助读者迅速入门，并让图像处理及识别领域的知识轮廓逐渐清晰。全书包括三部分内容，共48章。第一部分是图像处理基础知识（共10章），详细介绍了图像处理基础、OpenCV入门、几何图形绘制、算数与逻辑运算、几何变换、量化和采样处理等内容。第二部分是图像运算和图像增强（共17章），包括图像点运算、灰度变换、形态学处理、直方图绘制、图像均衡化、平滑锐化等内容。第三部分是图像识别及图像高阶案例（共21章），包括图像分割、傅里叶变换、霍夫变换、图像分类、特效处理、OpenGL、图像去雾等知识，也囊括了经典的文字识别、车牌识别、人脸识别、目标检测、基于深度学习的图像分类、小麦检测、GAN图像生成等案例。本书详细讲解了Python图像处理及识别知识，是市面上为数不多结合实战的图像处理书籍，更是一本计算机视觉的宝典。全书内容通俗易懂，案例丰富，图文并茂，便于读者快速上手，非常适合初学者、技术人员和高校师生学习。同时，作者杨秀璋长期从事相关研究，实践经验丰富，并且乐于分享知识。无论是新手还是经验丰富的技术人员，都希望您能从中获益。扫描下方二维码，回复“云享书库”，快来免费领取这本电子书吧~转载自华为云社区云享.书库活动

图像识别入门必读，华为云专家10年技术沉淀，684页《从零到一•Python图像处理》独家免费下载 | 云享·书库No.3 技术火炬手 发表于 2022/03/14 18:49:41  1.5w+  5  3【摘要】 《华为云云享.书库》系列第3部电子书上线啦！《华为云云享.书库》系列电子书来啦！本系列电子书旨在帮助开发者成长，汇聚华为云内外部专家技术精华制作而成。 本书《从零到一•Python图像处理》是该系列电子书第3部。本书作者杨秀璋，贵州财经大学教师，武汉大学在读博士。长期从事Web数据挖掘、知识图谱、人工智能、网络安全等方向研究，现已出版专著6部，发表论文30余篇，主持课题6项（含1项贵州省优秀自然科学基金），并参与多项国家级课题。近十年在华为云等社区分享原创博客600余篇，开源项目100余个，全网累计阅读量超过1000万人次，粉丝20余万。此书是作者十多年图像处理及识别编程经验的结晶，包含丰富真实的案例及详细的算法原理，采用Python3、OpenCV和Keras等库实现，通过图文结合、代码注释、实例详解的形式娓娓道来。希望这本电子书及开源的代码能帮助读者迅速入门，并让图像处理及识别领域的知识轮廓逐渐清晰。全书包括三部分内容，共48章。第一部分是图像处理基础知识（共10章），详细介绍了图像处理基础、OpenCV入门、几何图形绘制、算数与逻辑运算、几何变换、量化和采样处理等内容。第二部分是图像运算和图像增强（共17章），包括图像点运算、灰度变换、形态学处理、直方图绘制、图像均衡化、平滑锐化等内容。第三部分是图像识别及图像高阶案例（共21章），包括图像分割、傅里叶变换、霍夫变换、图像分类、特效处理、OpenGL、图像去雾等知识，也囊括了经典的文字识别、车牌识别、人脸识别、目标检测、基于深度学习的图像分类、小麦检测、GAN图像生成等案例。本书详细讲解了Python图像处理及识别知识，是市面上为数不多结合实战的图像处理书籍，更是一本计算机视觉的宝典。全书内容通俗易懂，案例丰富，图文并茂，便于读者快速上手，非常适合初学者、技术人员和高校师生学习。同时，作者杨秀璋长期从事相关研究，实践经验丰富，并且乐于分享知识。无论是新手还是经验丰富的技术人员，都希望您能从中获益。扫描下方二维码，回复“云享书库”，快来免费领取这本电子书吧~附：云享书库第2期：年度重磅！华为云2021应用构建技术实践精选集，七大领域400页+云上开发宝典，免费下载！云享书库第1期：【年度重磅】2020华为云社区年度技术精选合集，700页+免费下载！

FPN+PANPAN结构比较有意思，看了网上Yolov4关于这个部分的讲解，大多都是讲的比较笼统的，而PAN是借鉴图像分割领域PANet的创新点，有些同学可能不是很清楚。下面大白将这个部分拆解开来，看下Yolov4中是如何设计的。Yolov3结构：我们先来看下Yolov3中Neck的FPN结构可以看到经过几次下采样，三个紫色箭头指向的地方，输出分别是76*76、38*38、19*19。以及最后的Prediction中用于预测的三个特征图①19*19*255、②38*38*255、③76*76*255。[注：255表示80类别(1+4+80)×3=255]我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。如图所示，FPN是自顶向下的，将高层的特征信息通过上采样的方式进行传递融合，得到进行预测的特征图。Yolov4结构：而Yolov4中Neck这部分除了使用FPN外，还在此基础上使用了PAN结构：前面CSPDarknet53中讲到，每个CSP模块前面的卷积核都是3*3大小，相当于下采样操作。因此可以看到三个紫色箭头处的特征图是76*76、38*38、19*19。以及最后Prediction中用于预测的三个特征图：①76*76*255，②38*38*255，③19*19*255。我们也看下Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。其中包含两个PAN结构。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数聚合,这样的操作确实很皮。FPN+PAN借鉴的是18年CVPR的PANet，当时主要应用于图像分割领域，但Alexey将其拆分应用到Yolov4中，进一步提高特征提取的能力。不过这里需要注意几点：注意一：Yolov3的FPN层输出的三个大小不一的特征图①②③直接进行预测但Yolov4的FPN层，只使用最后的一个76*76特征图①，而经过两次PAN结构，输出预测的特征图②和③。这里的不同也体现在cfg文件中，这一点有很多同学之前不太明白，比如Yolov3.cfg最后的三个Yolo层，第一个Yolo层是最小的特征图19*19，mask=6,7,8，对应最大的anchor box。第二个Yolo层是中等的特征图38*38，mask=3,4,5，对应中等的anchor box。第三个Yolo层是最大的特征图76*76，mask=0,1,2，对应最小的anchor box。而Yolov4.cfg则恰恰相反第一个Yolo层是最大的特征图76*76，mask=0,1,2，对应最小的anchor box。第二个Yolo层是中等的特征图38*38，mask=3,4,5，对应中等的anchor box。第三个Yolo层是最小的特征图19*19，mask=6,7,8，对应最大的anchor box。注意点二：原本的PANet网络的PAN结构中，两个特征图结合是采用shortcut操作，而Yolov4中则采用concat（route）操作，特征图融合后的尺寸发生了变化。这里也可以对应Yolov4的netron网络图查看，很有意思。

【功能模块】https://support.huawei.com/enterprise/zh/doc/EDOC1100191895/da37ab20【操作步骤&问题现象】1、因工程需要，需要对yolo模型针对一定要求进行改进，请问自己修改过后的yolo模型还可以使用benchmark进行推理嘛？2、根据上面提供的链接表示，如图2所示，只需要开发适配该工具的预处理脚步和后处理脚本即可，也就是说对于vision模型类型如果是自己改动的也可以适配嘛？【截图信息】【日志信息】（可选，上传日志内容或者附件）

3月22日，钉钉在“科技向实·万物生长”发布会上推出了业界第一款单机实现10米高清音视频体验的视频会议一体机——F2。钉钉F2采用了行业领先的高通高性能物联网芯片，带来强大的计算和AI性能，进一步支持协作办公体验和企业生产力的提升。      随着云会议的兴起，音视频与计算机视觉、图像处理、人工智能等技术的融合趋势也愈发明显，共同带来高清实时的协同办公体验。钉钉F2具备单机10米清晰拾音、智能导播、4K画质等特点。     在音频方面，钉钉F2采用麦克风阵列技术，首次将麦克风声学特性和差分波束理论的优势进行结合，实现了单机10米清晰拾音的突破；在视觉方面，钉钉F2采用多模态智能导播与视觉智能算法，结合顶级高通物联网芯片先进的CPU架构、高通AI引擎和图像信号处理器（ISP）带来顶级性能，可支持最高4K、120帧/秒的视频处理，实现对全空间任意位置的细节捕捉，为企业和个人用户提供实时高清画质。此外，钉钉F2还充分利用高通物联网芯片的计算性能，为发言人跟踪、多画面自动导播等边缘侧计算密集型AI功能提供全新的神经处理单元，带来更具沉浸感的智能会议体验。      在满足大中型会议室高清音视频体验的同时，如何应对设备部署、布线繁琐等难题，成为行业亟待解决的痛点。以往要满足高端会议设备的音视频性能要求，通常要采用2到3颗主控级联；此次钉钉F2采用了突破性的一体机形态，仅通过一颗高通高性能物联网芯片即可实现兼具高质量图像接入及处理能力、强劲的编解码性能、AI算力以及支持丰富的通用接口等特性，让All in One的设计成为可能，在减少会议设备部署的同时极大地简化了设计和成本。     钉钉F2视频会议一体机是行业最新的技术合作成果，利用前沿的高性能、低功耗计算技术创新，更好地服务于组织数字化和业务数字化。钉钉F2不仅为用户提供了音视频远程协同沟通的能力，还通过专用的会议室硬件终端设备，打造会议室与个人端之间一致的优质会议体验，并通过音视频算法及模组的集成，引领行业创新并对生态进行技术赋能，助力更多组织加速迈入数字化时代。

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 [1]  它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。opencv是一个开源的计算机视觉开发包，这已是众所周知的了，而且越来越多的人开始研究它了。但opencv的使用者还是以高校居多，企业用得比较少，而企业使用opencv也往往是借鉴它的一些算法。计算机视觉市场巨大而且持续增长，且这方面没有标准API，如今的计算机视觉软件大概有以下三种：1、研究代码（慢，不稳定，独立并与其他库不兼容）2、耗费很高的商业化工具（比如Halcon, MATLAB+Simulink）3、依赖硬件的一些特别的解决方案（比如视频监控，制造控制系统，医疗设备）这是如今的现状，而标准的API将简化计算机视觉程序和解决方案的开发，OpenCV致力于成为这样的标准API。OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库（Integrated Performance Primitives）得到更快的处理速度。OpenCV与其它视觉函数库性能对比（来源百度百科）      作为开源软件，opencv的优势就是在于它有400多个免费的图像处理函数，而且涉及的面很广，从图像处理到模式识别、从静态图像到运动视频、从二维平面到相机的三维标定以及三维重建，覆盖了机器视觉的大多应用领域。它的许多算法，也是做了很好的优化的，比绝大多数教科书(当然指国内的教科书)算法优化得好。而国内的教科书，很多时候连一个算法也没讲明白过，更不用说到优化了。所以，用好opencv的开发包，就是一个不错的教材。

【功能模块】【操作步骤&问题现象】1、我们自己训练的yolov5s模型转为onnx再转为om进行推理时，输出结果明显不对2、不知道是不是和我们转换过程中出现很多警告有关【截图信息】【日志信息】（可选，上传日志内容或者附件）atc --model=best_384.onnx --framework=5 --output=best_384_2 --input_format=NCHW --input_shape="images:1,3,384,384" --log=info --soc_version=Ascend310 --precision_mode=allow_fp32_to_fp16ATC start working now, please wait for a moment.[WARNING][2022-03-19 22:57:43,502]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/abs.py:30: DeprecationWarning: register is expired, please replace it with the func register_op_compute[WARNING][2022-03-19 22:57:43,502]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/abs.py:58: DeprecationWarning: te.utils.para_check is expired, please replace it with tbe.common.utils.para_check[WARNING][2022-03-19 22:57:44,296]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:97: DeprecationWarning: check_input_type in topi is expired, please do not use it[WARNING][2022-03-19 22:57:45,638]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/util/util_frac_z.py:18: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated since Python 3.3,and in 3.9 it will stop working[WARNING][2022-03-19 22:57:47,018]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/conv2d.py:41: DeprecationWarning: te.utils.shape_util is expired, please replace it with tbe.common.utils.shape_util[WARNING][2022-03-19 22:57:48,457]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/abs.py:30: DeprecationWarning: register is expired, please replace it with the func register_op_compute[WARNING][2022-03-19 22:57:48,461]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/abs.py:58: DeprecationWarning: te.utils.para_check is expired, please replace it with tbe.common.utils.para_check[WARNING][2022-03-19 22:57:49,525]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:97: DeprecationWarning: check_input_type in topi is expired, please do not use it[WARNING][2022-03-19 22:57:54,408]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/util/util_frac_z.py:18: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated since Python 3.3,and in 3.9 it will stop working[WARNING][2022-03-19 22:58:01,020]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:55: DeprecationWarning: te.lang.cce.vmuls is expired, please replace it with tbe.dsl.vmuls[WARNING][2022-03-19 22:58:01,045]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:57: DeprecationWarning: te.lang.cce.cast_to is expired, please replace it with tbe.dsl.cast_to[WARNING][2022-03-19 22:58:01,105]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:58: DeprecationWarning: te.lang.cce.vexp is expired, please replace it with tbe.dsl.vexp[WARNING][2022-03-19 22:58:01,140]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:61: DeprecationWarning: te.lang.cce.vadds is expired, please replace it with tbe.dsl.vadds[WARNING][2022-03-19 22:58:01,166]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:64: DeprecationWarning: te.lang.cce.broadcast is expired, please replace it with tbe.dsl.broadcast[WARNING][2022-03-19 22:58:01,224]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:65: DeprecationWarning: te.lang.cce.vdiv is expired, please replace it with tbe.dsl.vdiv[WARNING][2022-03-19 22:58:01,248]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/platform/cce_intrin.py:43: DeprecationWarning: te.platform.cce_intrin is expired, please replace it with tbe.dsl.instrinsic.cce_intrin[WARNING][2022-03-19 22:58:01,321]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:102: DeprecationWarning: te.lang.cce.auto_schedule is expired, please replace it with tbe.dsl.auto_schedule[WARNING][2022-03-19 22:58:02,047]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sigmoid.py:105: DeprecationWarning: te.lang.cce.cce_build_code is expired, please replace it with tbe.dsl.build[WARNING][2022-03-19 22:58:02,049]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/tbe/dsl/static_schedule/cce_schedule.py:1280: DeprecationWarning: cce_build_code is expired, please replace it with the func build in cce[WARNING][2022-03-19 22:58:02,461]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/lang/cce/te_compute/util.py:818: DeprecationWarning: te.lang.cce.te_compute.shape_to_list is expired, please replace it with tbe.common.utils.shape_to_list[WARNING][2022-03-19 22:58:02,586]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/mul.py:791: DeprecationWarning: te.utils.shape_util is expired, please replace it with tbe.common.utils.shape_util[WARNING][2022-03-19 22:58:02,639]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/mul.py:916: DeprecationWarning: te.lang.cce.vmul is expired, please replace it with tbe.dsl.vmul[WARNING][2022-03-19 22:58:03,863]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/sub.py:55: DeprecationWarning: te.lang.cce.vsub is expired, please replace it with tbe.dsl.vsub[WARNING][2022-03-19 22:58:04,267]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/add.py:561: DeprecationWarning: te.lang.cce.vadd is expired, please replace it with tbe.dsl.vadd[WARNING][2022-03-19 22:58:04,672]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:157: DeprecationWarning: check_shape_rule in topi is expired, please do not use it[WARNING][2022-03-19 22:58:04,681]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/lang/cce/te_compute/conv_compute.py:113: DeprecationWarning: te.lang.cce.te_compute.conv_compute is expired, please replace it with func tbe.dsl.compute.conv_compute[WARNING][2022-03-19 22:58:04,694]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:868: DeprecationWarning: check_load3d_w_out_1_support in topi is expired, please do not use it[WARNING][2022-03-19 22:58:04,709]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:143: DeprecationWarning: check_dtype_rule in topi is expired, please do not use it[WARNING][2022-03-19 22:58:14,076]/usr/local/Ascend/ascend-toolkit/3.3.0.alpha001/x86_64-linux/opp/op_impl/built-in/ai_core/tbe/impl/max_pool_v3.py:268: DeprecationWarning: te.lang.cce.pooling2d is expired, please replace it with tbe.dsl.pooling2d[WARNING][2022-03-19 22:58:18,937]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:678: DeprecationWarning: check_kernel_name in topi is expired, please do not use it[WARNING][2022-03-19 22:58:19,805]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/platform/fusion_util.py:700: DeprecationWarning: get_op_compute_func is expired, please replace it with the func get_op_compute[WARNING][2022-03-19 22:58:19,997]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/utils/cce.py:37: DeprecationWarning: te.lang.cce.auto_schedule is deprecated, please replace it with the tbe.dsl.auto_schedule[WARNING][2022-03-19 22:58:20,357]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/te/platform/fusion_util.py:1264: DeprecationWarning: get_fusion_build_cfg is expired, please replace it with the func set_fusion_buildcfg[WARNING][2022-03-19 22:58:49,338]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:71: DeprecationWarning: check_input_type_dict in topi is expired, please do not use it[WARNING][2022-03-19 22:58:49,341]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:662: DeprecationWarning: check_tensor_shape_size in topi is expired, please do not use it[WARNING][2022-03-19 22:58:49,343]/usr/local/Ascend/ascend-toolkit/latest/atc/python/site-packages/topi/cce/util.py:563: DeprecationWarning: check_shape_size in topi is expired, please do not use itATC run success, welcome to the next use.