Skip to content

Latest commit

 

History

History
307 lines (268 loc) · 24 KB

README.md

File metadata and controls

307 lines (268 loc) · 24 KB
Raw

ppyolov3

目录

1. 简介

ppyolov3 是百度提出的一种基于YOLOv3和一些几乎不增加推理代价的tricks改造而来的检测器，达到了不错的速度-精度权衡。

论文地址 (https://arxiv.org/pdf/2007.12099.pdf)

官方源码地址 (https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.6/configs/ppyolo)

2. 特性

  • 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)和BM1684(x86 PCIe、SoC、arm PCIe)
  • 支持FP32、FP16(BM1684X/BM1688/CV186X)、INT8模型编译和推理
  • 支持基于BMCV预处理的C++推理
  • 支持基于BMCV和opencv预处理的Python推理
  • 支持图片和视频测试

3. 准备模型与数据

百度的飞桨PaddlePaddle模型权重来源于yolov3.pdparams，配置文件来源于yolov3.yml

建议使用TPU-MLIR编译BModel，百度的飞桨PaddlePaddle模型在编译前要导出成onnx模型。导出可参考：https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.7/deploy/EXPORT_ONNX_MODEL.md

​同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。

​本例程在scripts目录下提供了相关模型和数据的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

下载的模型包括：

./models
├── BM1684
│   ├── ppyolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的FP32 BModel，batch_size=1
│   └── ppyolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684的INT8 BModel，batch_size=1
├── BM1684X
│   ├── ppyolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── ppyolov3_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   └── ppyolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
├── BM1684X
│   ├── ppyolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── ppyolov3_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   └── ppyolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
├── BM1688
│   ├── ppyolov3_fp32_1b.bmodel         # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1，num_core=1
│   ├── ppyolov3_fp16_1b.bmodel         # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1，num_core=1
│   ├── ppyolov3_int8_1b.bmodel         # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1，num_core=1
│   ├── ppyolov3_fp32_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP32 BModel，batch_size=1，num_core=2
│   ├── ppyolov3_fp16_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的FP16 BModel，batch_size=1，num_core=2
│   └── ppyolov3_int8_1b_2core.bmodel   # 使用TPU-MLIR编译，用于BM1688的INT8 BModel，batch_size=1，num_core=2
├── CV186X
│   ├── ppyolov3_fp32_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP32 BModel，batch_size=1
│   ├── ppyolov3_fp16_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的FP16 BModel，batch_size=1
│   └── ppyolov3_int8_1b.bmodel   # 使用TPU-MLIR编译，用于BM1684X的INT8 BModel，batch_size=1
└── onnx
    └── ppyolov3_1b.onnx           # 导出的1batch onnx模型

下载的数据包括：

./datasets
├── test                                      # 测试图片
├── coco.names                                # coco类别名文件
├── coco128                                   # coco128数据集，用于模型量化
└── coco                                      
    ├── val2017_1000                          # coco val2017_1000数据集：coco val2017中随机抽取的1000张样本
    └── instances_val2017_1000.json           # coco val2017_1000数据集标签文件，用于计算精度评价指标

4. 模型编译

导出的模型需要编译成BModel才能在SOPHON TPU上运行，如果使用下载好的BModel可跳过本节。建议使用TPU-MLIR编译BModel。

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

  • 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684/BM1684X/BM1688/CV186X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​执行上述命令会在models/BM1684下生成ppyolov3_fp32_1b.bmodel文件，即转换好的FP32 BModel。

  • 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688/cv186x

​执行上述命令会在models/BM1684X/下生成ppyolov3_fp16_1b.bmodel文件，即转换好的FP16 BModel。

  • 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684/BM1684X/BM1688/CV186X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​上述脚本会在models/BM1684下生成ppyolov3_int8_1b.bmodel等文件，即转换好的INT8 BModel。

5. 例程测试

6. 精度测试

6.1 测试方法

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的json文件，注意修改数据集(datasets/coco/val2017_1000)和相关参数。
然后，使用tools目录下的eval_coco.py脚本，将测试生成的json文件与测试集标签json文件进行对比，计算出目标检测的评价指标，命令如下：

# 安装pycocotools，若已安装请跳过
pip3 install pycocotools
# 请根据实际情况修改程序路径和json文件路径
python3 tools/eval_coco.py --gt_path datasets/coco/instances_val2017_1000.json --result_json results/ppyolov3_fp32_1b.bmodel_val2017_1000_bmcv_python_result.json

6.2 测试结果

在datasets/coco/val2017_1000数据集上，推理时设置参数：--conf_thresh=0.001 --nms_thresh=0.6，ppyolov3精度测试结果如下：

测试平台 测试程序 测试模型 AP@IoU=0.5:0.95 AP@IoU=0.5
SE5-16 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 0.290 0.560
SE5-16 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 0.267 0.536
SE5-16 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 0.290 0.560
SE5-16 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 0.267 0.538
SE5-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 0.278 0.546
SE5-16 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 0.255 0.525
SE5-16 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 0.282 0.554
SE5-16 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 0.258 0.525
SE7-32 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 0.290 0.560
SE7-32 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 0.290 0.560
SE7-32 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 0.285 0.556
SE7-32 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 0.289 0.559
SE7-32 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 0.289 0.559
SE7-32 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 0.282 0.551
SE7-32 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 0.279 0.548
SE7-32 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 0.278 0.547
SE7-32 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 0.273 0.544
SE7-32 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 0.281 0.551
SE7-32 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 0.281 0.551
SE7-32 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 0.274 0.542
SE9-16 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 0.290 0.560
SE9-16 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 0.290 0.561
SE9-16 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 0.285 0.556
SE9-16 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 0.289 0.559
SE9-16 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 0.289 0.559
SE9-16 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 0.283 0.553
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 0.278 0.546
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 0.278 0.546
SE9-16 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 0.275 0.544
SE9-16 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 0.281 0.552
SE9-16 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 0.281 0.552
SE9-16 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 0.276 0.543
SE9-16 ppyolov3_opencv.py ppyolov3_fp32_1b_2core.bmodel 0.290 0.560
SE9-16 ppyolov3_opencv.py ppyolov3_fp16_1b_2core.bmodel 0.290 0.561
SE9-16 ppyolov3_opencv.py ppyolov3_int8_1b_2core.bmodel 0.285 0.556
SE9-16 ppyolov3_bmcv.py ppyolov3_fp32_1b_2core.bmodel 0.289 0.559
SE9-16 ppyolov3_bmcv.py ppyolov3_fp16_1b_2core.bmodel 0.289 0.559
SE9-16 ppyolov3_bmcv.py ppyolov3_int8_1b_2core.bmodel 0.283 0.553
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b_2core.bmodel 0.278 0.546
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp16_1b_2core.bmodel 0.278 0.546
SE9-16 ppyolov3_bmcv.soc ppyolov3_int8_1b_2core.bmodel 0.275 0.544
SE9-16 ppyolov3_sail.soc ppyolov3_fp32_1b_2core.bmodel 0.281 0.552
SE9-16 ppyolov3_sail.soc ppyolov3_fp16_1b_2core.bmodel 0.281 0.552
SE9-16 ppyolov3_sail.soc ppyolov3_int8_1b_2core.bmodel 0.276 0.543
SE9-8 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 0.290 0.560
SE9-8 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 0.290 0.561
SE9-8 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 0.285 0.556
SE9-8 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 0.289 0.559
SE9-8 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 0.289 0.559
SE9-8 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 0.283 0.553
SE9-8 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 0.278 0.546
SE9-8 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 0.278 0.546
SE9-8 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 0.275 0.544
SE9-8 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 0.281 0.552
SE9-8 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 0.281 0.552
SE9-8 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 0.276 0.543

测试说明：

  1. 由于sdk版本之间可能存在差异，实际运行结果与本表有<0.01的精度误差是正常的；
  2. AP@IoU=0.5:0.95为area=all对应的指标；
  3. 在搭载了相同TPU和SOPHONSDK的PCIe或SoC平台上，相同程序的精度一致，SE5系列对应BM1684，SE7系列对应BM1684X，SE9系列中，SE9-16对应BM1688，SE9-8对应CV186X；

7. 性能测试

7.1 bmrt_test

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684/ppyolov3_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试模型 calculate time(ms)
BM1684/ppyolov3_fp32_1b.bmodel 78.24
BM1684/ppyolov3_int8_1b.bmodel 51.70
BM1684X/ppyolov3_fp32_1b.bmodel 149.02
BM1684X/ppyolov3_fp16_1b.bmodel 14.38
BM1684X/ppyolov3_int8_1b.bmodel 7.24
BM1688/ppyolov3_fp32_1b.bmodel 735.06
BM1688/ppyolov3_fp16_1b.bmodel 90.44
BM1688/ppyolov3_int8_1b.bmodel 27.32
BM1688/ppyolov3_fp32_1b_2core.bmodel 383.19
BM1688/ppyolov3_fp16_1b_2core.bmodel 53.11
BM1688/ppyolov3_int8_1b_2core.bmodel 20.16
CV186X/ppyolov3_fp32_1b.bmodel 744.30
CV186X/ppyolov3_fp16_1b.bmodel 97.62
CV186X/ppyolov3_int8_1b.bmodel 32.15

测试说明：

  1. 性能测试结果具有一定的波动性；
  2. calculate time已折算为平均每张图片的推理时间；
  3. SoC和PCIe的测试结果基本一致。

7.2 程序运行性能

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。C++和Python例程打印的时间已经折算为单张图片的处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/coco/val2017_1000，conf_thresh=0.5，nms_thresh=0.5，ppyolov3性能测试结果如下：

测试平台 测试程序 测试模型 decode_time preprocess_time inference_time postprocess_time
SE5-16 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 15.24 27.63 86.30 97.82
SE5-16 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 15.21 27.72 59.65 97.15
SE5-16 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 3.64 2.32 83.97 110.51
SE5-16 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 3.63 2.31 57.35 110.27
SE5-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 4.86 1.56 78.13 16.70
SE5-16 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 4.88 1.57 51.60 16.80
SE5-16 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 3.27 3.08 79.04 15.78
SE5-16 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 3.27 3.08 52.49 15.76
SE7-32 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 15.07 28.61 158.26 95.17
SE7-32 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 15.25 29.19 23.83 96.63
SE7-32 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 15.33 28.58 16.63 96.36
SE7-32 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 3.16 1.79 155.52 107.93
SE7-32 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 3.15 1.79 20.91 108.05
SE7-32 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 3.13 1.79 13.79 106.55
SE7-32 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 4.34 0.66 148.99 16.73
SE7-32 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 4.34 0.65 14.33 16.73
SE7-32 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 4.34 0.66 7.19 16.74
SE7-32 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 2.76 2.57 149.88 15.79
SE7-32 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 2.76 2.56 15.21 15.80
SE7-32 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 2.76 2.56 8.08 15.77
SE9-16 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 19.61 36.50 746.66 132.59
SE9-16 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 19.61 37.35 102.32 133.42
SE9-16 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 19.60 37.42 39.15 133.85
SE9-16 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 4.45 3.95 743.54 150.03
SE9-16 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 4.44 3.95 98.82 150.03
SE9-16 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 4.44 3.95 35.57 148.29
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 5.82 1.74 734.97 23.37
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 5.80 1.73 90.38 23.31
SE9-16 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 5.79 1.73 27.23 23.29
SE9-16 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 3.92 5.16 737.36 22.00
SE9-16 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 3.92 5.17 92.64 21.99
SE9-16 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 3.88 5.14 29.47 21.90
SE9-16 ppyolov3_opencv.py ppyolov3_fp32_1b_2core.bmodel 19.58 38.72 395.18 133.81
SE9-16 ppyolov3_opencv.py ppyolov3_fp16_1b_2core.bmodel 19.58 37.38 64.96 134.18
SE9-16 ppyolov3_opencv.py ppyolov3_int8_1b_2core.bmodel 19.60 38.01 32.05 133.43
SE9-16 ppyolov3_bmcv.py ppyolov3_fp32_1b_2core.bmodel 4.47 3.94 391.58 149.92
SE9-16 ppyolov3_bmcv.py ppyolov3_fp16_1b_2core.bmodel 4.43 3.95 61.30 150.10
SE9-16 ppyolov3_bmcv.py ppyolov3_int8_1b_2core.bmodel 4.46 3.95 28.60 148.18
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp32_1b_2core.bmodel 5.85 1.72 383.13 23.34
SE9-16 ppyolov3_bmcv.soc ppyolov3_fp16_1b_2core.bmodel 5.84 1.73 53.06 23.27
SE9-16 ppyolov3_bmcv.soc ppyolov3_int8_1b_2core.bmodel 5.81 1.73 20.09 23.27
SE9-16 ppyolov3_sail.soc ppyolov3_fp32_1b_2core.bmodel 3.90 5.17 385.47 22.03
SE9-16 ppyolov3_sail.soc ppyolov3_fp16_1b_2core.bmodel 3.92 5.15 55.32 22.01
SE9-16 ppyolov3_sail.soc ppyolov3_int8_1b_2core.bmodel 3.90 5.14 22.34 21.95
SE9-8 ppyolov3_opencv.py ppyolov3_fp32_1b.bmodel 32.64 38.33 756.09 133.57
SE9-8 ppyolov3_opencv.py ppyolov3_fp16_1b.bmodel 25.44 38.47 109.32 133.84
SE9-8 ppyolov3_opencv.py ppyolov3_int8_1b.bmodel 19.68 38.21 43.81 133.42
SE9-8 ppyolov3_bmcv.py ppyolov3_fp32_1b.bmodel 4.31 3.81 752.84 149.62
SE9-8 ppyolov3_bmcv.py ppyolov3_fp16_1b.bmodel 4.30 3.83 105.92 149.82
SE9-8 ppyolov3_bmcv.py ppyolov3_int8_1b.bmodel 4.28 3.82 40.29 147.92
SE9-8 ppyolov3_bmcv.soc ppyolov3_fp32_1b.bmodel 5.80 1.71 744.18 23.43
SE9-8 ppyolov3_bmcv.soc ppyolov3_fp16_1b.bmodel 5.67 1.72 97.52 23.33
SE9-8 ppyolov3_bmcv.soc ppyolov3_int8_1b.bmodel 5.71 1.71 32.03 23.32
SE9-8 ppyolov3_sail.soc ppyolov3_fp32_1b.bmodel 4.67 5.07 746.61 22.05
SE9-8 ppyolov3_sail.soc ppyolov3_fp16_1b.bmodel 5.93 5.07 99.83 22.02
SE9-8 ppyolov3_sail.soc ppyolov3_int8_1b.bmodel 3.80 5.05 34.31 21.97

测试说明：

  1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
  2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
  3. SE5-16/SE7-32的主控处理器均为8核CA53@2.3GHz，SE9-16为8核CA53@1.6GHz，SE9-8为6核CA53@1.6GHz，PCIe上的性能由于处理器的不同可能存在较大差异；
  4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。

8. FAQ

请参考FAQ查看一些常见的问题与解答。