/printf("输出张量[%d] - ioBufDesc维度: outWidth=%d, outHeight=%d, outNumChannels=%d\n",//printf("输出张量[%d] - tensor维度: num_dims=%zu, sizes=[%zu, %zu, %zu, %zu]\n",zh_idx < 5;// printf("=== 开始处理YOLOv5检测头 ===\

进展其实很大，0211 这轮日志已经说明主链路基本打通，剩下的是“个别图片模型本身没检出”问题，不是可视化脚本错。

* TIDL中内存实际是CHW排布，但是以WHC记录，所以查找内存时首先定位正确的通道，再进行WH的偏移 *//* 如果该目标框与已经accept的目标框iou过大，则确定为冗余目标框 *//* 输出概率 = 存在目标概率 * 类别置信概率 *//* 遍历查找类别内存，找到最大的置信度进行赋值 *//* 如果该目标框与所有accept目标框的iou都较小，则接受该目标框 *//* 找到正确conf

dataset.pyif mosaic:else:

ASPP(c_hid*2, 256, d=[3, 6, 9], has_globel=False, map_reduce=5-n),# ASPP确实好，但是太重了，砍到了1/4通道 s:5-1=4, m:5-2=3, l:5-3=2。def __init__(self, n_segcls=19, n=1, c_hid=256, shortcut=False, ch=()):# n是C3的, c_h

fi_rm = fitness2(np.array(results).reshape(1, -1), mIoU_rm)# weighted combination of [P, R, mAP@.5, mAP@.5-.95] 按0.1*AP.5+0.9*AP.5:.95指标衡量模型。imgs = imgs.to(torch.device('cpu'), non_blocking=True)# 释放

fi_rm = fitness2(np.array(results).reshape(1, -1), mIoU_rm)# weighted combination of [P, R, mAP@.5, mAP@.5-.95] 按0.1*AP.5+0.9*AP.5:.95指标衡量模型。imgs = imgs.to(torch.device('cpu'), non_blocking=True)# 释放

fi_rm = fitness2(np.array(results).reshape(1, -1), mIoU_rm)# weighted combination of [P, R, mAP@.5, mAP@.5-.95] 按0.1*AP.5+0.9*AP.5:.95指标衡量模型。imgs = imgs.to(torch.device('cpu'), non_blocking=True)# 释放

* TIDL中内存实际是CHW排布，但是以WHC记录，所以查找内存时首先定位正确的通道，再进行WH的偏移 *//* 如果该目标框与已经accept的目标框iou过大，则确定为冗余目标框 *//* 输出概率 = 存在目标概率 * 类别置信概率 *//* 遍历查找类别内存，找到最大的置信度进行赋值 *//* 如果该目标框与所有accept目标框的iou都较小，则接受该目标框 *//* 找到正确conf

if (1) {initMult_yolov5params(&obj->yolov5params);/* 兜底：确保解码使用的输入尺寸有效 */obj->yolov5params.inWidth[0] = obj->ioBufDesc.inWidth[0];obj->yolov5params.inHeight[0] = obj->ioBufDesc.inHeight[0];// 添加调试：打印所有