服务器配置如下：
CPU/NPU：鲲鹏 CPU（ARM64）+A300I pro推理卡
系统：Kylin V10 SP1【下载链接】【安装链接】
驱动与固件版本版本：
Ascend-hdk-310p-npu-driver_23.0.1_linux-aarch64.run【下载链接】
Ascend-hdk-310p-npu-firmware_7.1.0.4.220.run【下载链接】
MCU版本：Ascend-hdk-310p-mcu_23.2.3【下载链接】
CANN开发套件：版本7.0.1【Toolkit下载链接】【Kernels下载链接】
测试om模型环境如下：
Python：版本3.8.11
推理工具：ais_bench
测试YOLO系列：v5/6/7/8/9/10/11
专栏其他文章：
Atlas800昇腾服务器（型号：3000）—驱动与固件安装（一）
Atlas800昇腾服务器（型号：3000）—CANN安装（二）
Atlas800昇腾服务器（型号：3000）—YOLO全系列om模型转换测试（三）
Atlas800昇腾服务器（型号：3000）—AIPP加速前处理（四）
Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【检测】（五）
Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【实例分割】（六）
Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【关键点】（七）
Atlas800昇腾服务器（型号：3000）—YOLO全系列NPU推理【跟踪】（八）
1 AIPP介绍
AIPP（Artificial Intelligence Pre-Processing）人工智能预处理，用于在AI Core上完成数据预处理，包括改变图像尺寸、色域转换（转换图像格式）、减均值/乘系数（改变图像像素），数据预处理之后再进行真正的模型推理。
该模块功能与DVPP相似，都可以实现媒体数据处理的功能，两者的功能范围有重合，比如改变图像尺寸、转换图像格式，但功能范围也有不同的，比如DVPP可以做图像编解码、视频编解码，AIPP可以做归一化配置。与DVPP不同的是，AIPP主要用于在AI Core上完成数据预处理，DVPP是昇腾AI处理器内置的图像处理单元，通过AscendCL媒体数据处理接口提供强大的媒体处理硬加速能力。
AIPP、DVPP可以分开独立使用，也可以组合使用。组合使用场景下，一般先使用DVPP对图片/视频进行解码、抠图、缩放等基本处理，但由于DVPP硬件上的约束，DVPP处理后的图片格式、分辨率有可能不满足模型的要求，因此还需要再经过AIPP进一步做色域转换、抠图、填充等处理。
AIPP根据配置方式不同 ，分为静态AIPP和动态AIPP；如果要将原始图片输出为满足推理要求的图片格式，则需要使用色域转换功能；如果要输出固定大小的图片，则需要使用AIPP提供的Crop（抠图）、Padding（补边）功能。
详情见文档：https://www.hiascend.com/document/detail/zh/canncommercial/80RC2/devaids/auxiliarydevtool/atlasatc_16_0016.html
2 YOLO前处理耗时分析
YOLO前处理，包括：resize, pad, HWC to CHW，BGR to RGB，归一化，增加维度CHW -> BCHW六个步骤。
代码如下：
利用YOLOv8s.om模型对整个前处理耗时进行分析，耗时结果如下：
注意：推理1920×1080图像，模型输入1280×1280
由上可知，在整个前处理中，resize+pad操作的耗时少于2ms，而通道转换+归一化耗时占比极大！
因此，可将通道转换+归一化耗时较长的步骤利用AIPP进行加速处理，减少前处理耗时，同时保留resize操作在外，可保证模型输入尺寸一致！
3 AIPP算子优化YOLO的前处理过程
前处理包括：resize，pad，HWC to CHW，BGR to RGB，归一化，增加维度CHW -> BCHW
这里我们将resize, pad保留在外，HWC to CHW，BGR to RGB，归一化等集成到om模型中！
另外，HWC到CHW的转换由ATC工具自动完成。
ATC转换命令如下【主要附带一个AIPP配置文件】：
atc --framework=5 --model=yolov8s.onnx --input_format=NCHW --input_shape="images:1,3,1280,1280" --output_type=FP32 --output=yolov8s_aipp --soc_version=Ascend310P3 --insert_op_conf=aipp_conf.aippconfig
aipp_conf.aippconfig配置参数如下：【BGR to RGB，归一化】
主要参数src_image_size_w/h为输入模型宽高，rbuv_swap_switch是否进行色域转换，var_reci_chn_0/1/2由1/255求得。
其中，归一化计算公式：
# 通道转换rbuv_swap_switch参数设置为true
# 归一化系数需要根据用户模型实际需求配置，此处取默认值，即不改变像素的值
# 若配置归一化系数，将应用于通道交换之后的通道
aipp_op {
related_input_rank : 0
src_image_size_w : 1280
src_image_size_h : 1280
crop : false
padding : false
aipp_mode: static
input_format : RGB888_U8
csc_switch : false
rbuv_swap_switch : true
mean_chn_0 : 0
mean_chn_1 : 0
mean_chn_2 : 0
min_chn_0 : 0.0
min_chn_1 : 0.0
min_chn_2 : 0.0
var_reci_chn_0 : 0.00392157
var_reci_chn_1 : 0.00392157
var_reci_chn_2 : 0.00392157
}
BGR to RGB，归一化集成到om模型后，剩余前处理代码如下【只有resize和pad操作】：
最终耗时如下：【提升明显，推理时间也有所减少】
模型输入尺寸1280×1280的预处理+推理耗时从34ms降到13ms！！！
具体预处理代码如下【resize+pad】：
# 前处理，包括：resize, pad
def preprocess(self, img):
"""
Pre-processes the input image.
Args:
img (Numpy.ndarray): image about to be processed.
Returns:
img_process (Numpy.ndarray): image preprocessed for inference.
ratio (tuple): width, height ratios in letterbox.
pad_w (float): width padding in letterbox.
pad_h (float): height padding in letterbox.
"""
# Resize and pad input image using letterbox() (Borrowed from Ultralytics)
shape = img.shape[:2] # original image shape
new_shape = (self.model_height, self.model_width)
r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
ratio = r, r
new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
pad_w, pad_h = (new_shape[1] - new_unpad[0]) / 2, (new_shape[0] - new_unpad[1]) / 2 # wh padding
if shape[::-1] != new_unpad: # resize
img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)
top, bottom = int(round(pad_h - 0.1)), int(round(pad_h + 0.1))
left, right = int(round(pad_w - 0.1)), int(round(pad_w + 0.1))
img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(114, 114, 114)) # 填充
return img, ratio, (pad_w, pad_h)
综上，如果我们模型的前处理时间耗时较长时，可以将耗时较长的步骤通过ATC追加AIPP配置集成到om模型中，从而达到前处理缩短的效果，该操作不限于YOLO的前处理！
