使用Tengine Explore版在firefly-RK3399上实现实时目标检测

使用深度学习的方法训练得到模型之后，下一步便是将模型部署到实际的应用场景中创造效益，通常就是部署到服务器端，或者部署到移动端，我们做的是后者。

近些年来，用于将模型部署到移动端的前向推理框架比较多，例如ncnn、MACE、Tengine等，当然如果有条件，还是需要自己来做优化。

Tengine是一个由OPEN AI LAB开发的专门针对嵌入式场景的轻量化框架，我们对比了ncnn、MACE和Tengine之后发现，Tengine的速度是最快的。

前不久，Tengine还推出了Tengine Explore 版，性能比开源版更强。参与Tengine AloT 树莓派/RK3399应用征集大赛，每个开发者可以体验性能非凡的Tengine Explore版。微信扫描以下二维码参与活动：

接下来，我们对Tengine开源版，Tengine Explorer版（float32），Tengine Explorer版（int8）三者做一个比较，分别采用图像和视频的方式。

1.1、图像测试，Tengine开源版

运行Tengine Explore版本，首先需要跑通开源版本的Tengine，指导教程可以参考hey-yahei的博客。在这里，我们用RK3399来跑Mobilenet_SSD，得到的结果如下：

这里，我们对同一幅图像重复检测100次，取平均时间，可以发现平均一帧耗时176.945ms，速度还是很快的！

1.2、图像测试，Tengine Explorer版（float32）

接下来，我们用Tengine Explore 版来做同样的事情，得到结果如下：

可以看到输出多了一行Authentication failed can’t get ID，这是因为这个版本目前尚未在线**，但并不影响其运行。当然在线**之后可以用int8的方式来计算，速度会更快。这次，我们还是使用相同的模型，对同一幅图像检测100次，可以看到，平均时间降低到了142.566ms，速度提升相当可观。

1.3、图像测试，Tengine Explorer版（int8）

接下来，我们将Tengine Explore版进行在线**，解锁int8量化计算的方法。进一步提升运算速度。运行程序得到结果：


可以看到精度基本没有损失，但是时间降低到了139.237ms，非常快！

2.1、视频测试，Tengine开源版

接下来，我们基于实际需求来做一些应用。客流检测可以用在商场、公交等行业，实现自动计数，这里第一步就是检测人头。我们的模型在Mobilenet_SSD的基础上进行了压缩、裁剪等工作，在不影响最终效果的前提下减小模型的复杂度。我们用双线程同时处理两个本地视频。结果如下：

可以看到视频虽然不是很清晰，光照条件也不是很好，但是模型准确地检测出了视频中的人头，当然，目标的跟踪和计数是检测之后另外实现的。本段视频中，程序检测到上车人数为13人，下车人数为9人，平均一帧耗时大约48ms。

2.2、视频测试，Tengine Explorer版（float32）

然后我们用Tengine Explorer版来做同样的事情，结果如下：

可以看到，视频检测的结果跟开源版是一样的，但是平均时间降低到了44ms。

2.3、视频测试，Tengine Explorer版（int8）

最后，我们用Tengine Explore版的int8量化计算的方法，进一步提升运算速度。运行程序得到结果：

可以看到，int8得到的目标检测结果和float32的得到的结果差别并不是很大，最终计数的结果为上车人数13人，下车人数8人，两者也都差不多，相信调整参数之后应该就没有问题了，但是int8方式的一帧平均时间降低到了大约34ms，提升相当明显，已经接近实时应用了！当然，这只是一个demo，距离实际应用还有一些距离，需要继续努力。

最后感谢Tengine的开发者，以及举办本次活动的工作人员！