[DFC]yolov5模型转化为hailo量化模型精度下降分析

Hailo模型转换/量化一般会有少量的精度下降，正常mAP下降在2个点以内，如果下降太多，或者是主观查看精度差别比较大；大部分情况下就是转模型的时候遗漏了一些东西；

主要可能是如下几个方面：

1. 归一化是在hailo做还是前处理做，请注意不要重复做归一化例如：转化脚本中加入了：normalization1 = normalization([0.0, 0.0, 0.0],[255.0, 255.0, 255.0]) 则表明归一化是在hailo中做的，那么在量化的calibration datasets的时候就不要做归一化：
   [python]
   calib_dataset[idx,:,:,:] = preproc(img)
   #calib_dataset[idx,:,:,:] = preproc(img)/255.0
2. 对于yolo模型，前处理是resize还是letter_box(官方的github使用的是letterbox)? 模型量化的时候则需要与模型一致，同理在c++做inference也需要一致
   [python]
   def preproc(image, output_height=640, output_width=640):
       #resized_image = tf.image.resize(image, (output_height, output_width), method=’bicubic’)
       resized_image, x, y = letterbox_image(image.copy(), (output_height,output_width))
       return resized_image
   [c++]
   #ifdef LETTER_BOX
   tmp = Letterbox(oriFrame, _model_height, ratio, 144);
   #else
   cv::resize( oriFrame, tmp, cv::Size(_model_width, _model_height));
   #endif
3. 模型量化以及做inference的时候，处理图像的格式是RGB还是BGR? 同样也要保持正确以及一致。模型一般默认使用RGB格式，但是c++使用opencv处理时，默认格式是BGR，需要进行转化下cv::cvtColor(tmp, outFrame, cv::COLOR_BGR2RGB);
4. 模型转换的时候，是否有将最后输出sigmoid放入到hailo中进行处理
   
   change_output_activation(sigmoid)
   将sigmoid放入hailo中处理并且一起进行量化的话，可以有效的提高整个量化后的模型精度，特别是当我们只使用optimization level 0进行最基础的量化的时候。