我模型训练的时候输入图片格式是：bgr格式，并且向像素值都除了255，做了归一化。
在工具链里面的mapper做 inference.sh的时候一个目标也输不出来，我看了一下置信度都是0.000及的级别，请问这是什么原因呢？
---------------------------------------------------------------------------------------------------------------------------------------------------------
我在工具链里的配置
def data_transformer(input_shape=(672, 672)):-
transformers = [-
PadResizeTransformer(input_shape),-
TransposeTransformer((2, 0, 1)),-
ScaleTransformer(1 / 255),-
]-
return transformers
************************************************************************************************
def load_image(image_file, input_shape):-
transformers = data_transformer()-
transformers.append(ColorConvertTransformer(‘BGR’, ‘YUV444’))-
origin_image, process_image = DetectionLoader(-
transformers, image_file, imread_mode=‘opencv’)-
return origin_image, process_image
************************************************************************************************
yolov3配置文件
model_parameters:-
# Caffe浮点网络数据模型文件-
onnx_model: ‘./yolov3_wn.onnx’-
# Caffe网络描述文件-
prototxt: ‘./yolov3_wn.onnx’-
# 指定模型转换过程中是否输出各层的中间结果，如果为True，则输出所有层的中间输出结果，-
layer_out_dump: False-
# 用于设置上板模型输出的layout, 支持NHWC和NCHW, 输入None则使用模型默认格式-
output_layout: NHWC-
# 日志文件的输出控制参数，-
# debug输出模型转换的详细信息-
# info只输出关键信息-
# warn输出警告和错误级别以上的信息-
log_level: ‘debug’-
# 模型转换输出的结果的存放目录-
working_dir: ‘model_output’-
# 模型转换输出的用于上板执行的模型文件的名称前缀-
output_model_file_prefix: ‘yolov3’-
# 模型输入相关参数, 若输入多个节点, 则应使用’;'进行分隔, 使用默认缺省设置则写None-
input_parameters:-
# (可不填) 模型输入的节点名称, 此名称应与模型文件中的名称一致, 否则会报错, 不填则会使用模型文件中的节点名称-
input_name: ‘data’-
# 网络实际执行时，输入给网络的数据格式，包括 nv12/rgbp/bgrp/yuv444_128/gray/featuremap,-
# 如果输入的数据为yuv444_128, 模型训练用的是rgbp，则hb_mapper将自动插入YUV到RGBP(NCHW)转化操作-
input_type_rt: ‘yuv444_128’-
# 网络训练时输入的数据格式，可选的值为rgbp/bgrp/gray/featuremap/yuv444_128-
input_type_train: ‘bgrp’-
# 网络输入的预处理方法，主要有以下几种：-
# no_preprocess 不做任何操作-
# mean_file 减去从通道均值文件(mean_file)得到的均值-
# data_scale 对图像像素乘以data_scale系数-
# mean_file_and_scale 减去通道均值后再乘以scale系数-
norm_type: ‘data_scale’-
# (可不填) 模型网络的输入大小, 以’x’分隔, 不填则会使用模型文件中的网络输入大小-
input_shape: ‘1x3x672x672’-
# 图像减去的均值存放文件, 文件内存放的如果是通道均值，均值之间必须用空格分隔-
mean_file: ‘meanfile.txt’-
# 图像预处理缩放比例，该数值应为浮点数-
scale_value: 1.0-
calibration_parameters:-
# 模型量化的参考图像的存放目录，图片格式支持Jpeg、Bmp等格式，输入的图片-
# 应该是使用的典型场景，一般是从测试集中选择20~50张图片，另外输入-
# 的图片要覆盖典型场景，不要是偏僻场景，如过曝光、饱和、模糊、纯黑、纯白等图片-
# 若有多个输入节点, 则应使用’;'进行分隔-
cal_data_dir: ‘./calibration_data_rgbp’-
# 如果输入的图片文件尺寸和模型训练的尺寸不一致时，并且preprocess_on为true，-
# 则将采用默认预处理方法(opencv resize)，-
# 将输入图片缩放或者裁减到指定尺寸，否则，需要用户提前把图片处理为训练时的尺寸-
preprocess_on: False-
# 模型量化的算法类型，支持kl、max，通常采用KL即可满足要求-
calibration_type: ‘max’-
# 模型的量化校准方法设置为promoter，mapper会根据calibration的数据对模型进行微调从而提高精度，-
# promoter_level的级别，可选的参数为-1到2，建议按照0到2的顺序实验，满足精度即可停止实验-
# -1: 不进行promoter-
# 0：表示对模型进行轻微调节，精度提高比较小-
# 1：表示相对0对模型调节幅度稍大，精度提高也比较多-
# 2：表示调节比较激进，可能造成精度的大幅提高也可能造成精度下降-
promoter_level: -1-
# 编译器相关参数-
compiler_parameters:-
# 编译策略，支持bandwidth和latency两种优化模式;-
# bandwidth以优化ddr的访问带宽为目标；-
# latency以优化推理时间为目标-
compile_mode: ‘latency’-
# 设置debug为True将打开编译器的debug模式，能够输出性能仿真的相关信息，如帧率、DDR带宽占用等-
debug: False-
# 编译模型指定核数，不指定默认编译单核模型, 若编译双核模型，将下边注释打开即可-
# core_num: 2-
# 设置每个fuction call最大执行时间，单位为us-
# max_time_per_fc: 500-
# 优化等级可选范围为O0~O3-
# O0不做任何优化, 编译速度最快，优化程度最低,-
# O1-O3随着优化等级提高，预期编译后的模型的执行速度会更快，但是所需编译时间也会变长。-
# 推荐用O2做最快验证-
optimize_level: ‘O2’
