1.前言

        在我们进行实际的应用开发时，都会随着对一款产品或者AI芯片的了解加深，大家都会想到有什么可以加速预处理啊或者后处理的手段？常见的不同厂家对于应用开发的时候，都会提供一个硬件解码和硬件编码的能力，这也是抛弃了传统的opencv或者pl等在cpu上话费多的时间进行视频解码和编码，而对于昇腾产品，310一系列产品来说，他也会有自己的数据媒体处理单元，如下图所示：参考学习链接：

昇腾社区-官网丨昇腾万里 让智能无所不及

        

硬件产品结构示意图，内置的有dvpp模块用于数据预处理，AI core用于矩阵、向量等计算；不会占用cpu的资源，刚了解昇腾框架的伙伴可能会用下面的开发顺序进行编写代码：

（1）首先输入视频源的选择：rtsp流、视频、图片等

（2）直接使用opencv的api进行读取，也就是解码，其实opencv读取视频还是蛮快的，读取rtsp确实有一些慢，而且还占用cpu的资源，

（3）使用opencv解码出来之后的图片是，bgr,uint8,NHWC格式的图片，对于不同的模型输入，需要进行转换为模型需要的输入，比如resize缩放图片指定大小，数据格式转换从uint8 到float32 16\以及通道的变换，这一步也是大家的预处理。

（4）送入模型进行推理，大家可以做int8量化之类的操作

（5）模型后处理，对输出的数据进行筛选，获取最终的目标。

（6）opencv直接显示或者数据编码使用ffmpeg或者其他工具进行推流

以下是使用ACL我在整个端到端应用开发时总结的比较优选方案：

（1）使用dvpp进行rtsp和视频的解码，dvpp解码之后的数据为yuv420sp,是在device中的数据，无需内存拷贝，这个过程是将h264/h265的码流解码为yuv的数据，这一过程会在npu硬件执行，但是底层的实现是先通过ffmpeg进行解封装，再进行dvpp解码，内部实现了多线程：参考样例如下：

cplusplus/level2_simple_inference/2_object_detection/YOLOV3_coco_detection_video_DVPP_with_AIPP/src/sample_process.cpp · Ascend/samples - Gitee.com

g_cap_ = new AclLiteVideoProc(g_streamName_);stream是视频路径或者rtsp
ImageData testPic;
AclLiteError ret = g_cap_->Read(testPic);

将解码数据传送到testpic结构体中：

这个ImageDATA 结构体如下：

struct ImageData {
    acldvppPixelFormat format;
    uint32_t width = 0;
    uint32_t height = 0;
    uint32_t alignWidth = 0;
    uint32_t alignHeight = 0;
    uint32_t size = 0;
    std::shared_ptr<uint8_t> data = nullptr;
};

（2）解码之后通过VPC进行图像缩放，由于dvpp解码之后的数据为YUV格式，所以模型转换的时候需要配合aipp，将模型的输入改为yuv输入与模型对齐。

        ImageData resizedImage;
        ret = g_dvpp_.Resize(resizedImage, testPic, g_modelInputWidth, g_modelInputHeight);

（3）将数据直接存入模型中进行推理：

（4）模型的后处理，怎么和原图进行画框，可以将原始的yuv图片转换为opencv的图片进行画框，或者使用frretype直接在yuv上进行画框，参考案例如下：

方法一：将device的原图拷贝到cpu测转换为cv::mat类型进行画框：

        ImageData yuvImage;
        ret = CopyImageToLocal(yuvImage, testPic, g_runMode_);
        if (ret == ACLLITE_ERROR) {
            ACLLITE_LOG_ERROR("Copy image to host failed");
            return ACLLITE_ERROR;
        }
        cv::Mat yuvimg(yuvImage.height * 3 / 2, yuvImage.width, CV_8UC1, yuvImage.data.get());
        cv::Mat origImage;
        cv::cvtColor(yuvimg, origImage, CV_YUV2BGR_NV12);

方法二;直接在yuv上进行绘制目标框图：参考案例如下：

samples: CANN Samples - Gitee.com

（5）将画框后的数据硬件编码为h264文件用于ffmpeg进行推流，编码代码流程参考案例：

samples: CANN Samples - Gitee.com

由于ACL仅支持编码yuv的图片到h264/265所以建议大家可以使用第二种方法进行编码，不需要再次使用ffmpeg进行软件编码，大大可以节约时间。

整个流程可以在原来的软件编码情况下快1.5倍左右。关于ffmpeg推流可以加我学习群或者网上找一些简单的源码推流工具，如果大家有兴趣可以加入a群：855986726

下一章我们继续讲解如何进行多模型串联推理，