背景：pytorch训练了一个yolov5模型，在服务器上使用。现打算移植到海思3559上。尝试方法：yolov5pytorch训练------转onnx模型-----转caffe模型-----如意工具量化-----板端测试。环境配置：pytorch转onnx用的：onnx转caffe环境：yolov5-caffe模型测试：https://github.com/Wulingtian/yolov5_

安装：wget http://www.scootersoftware.com/bcompare-4.3.7.25118_amd64.debsudo apt-get updatesudo apt-get install gdebi-coresudo gdebi bcompare-4.3.7.25118_amd64.deb卸载：sudo apt-get remove bcompare

linux连mac可以，mac连linux闪退，界面都看不到。又试了windows连linux同样闪退，但是windows可以和mac互连，所以确定是linux的问题。参考：https://blog.csdn.net/weixin_38328533/article/details/108887149https://blog.csdn.net/qq_19734597/article/details/

方法一：yolo+facenet参考：方法二：mtcnn+facenet参考：

正确配置方法是在主机上先新添加一个网桥，这个网桥配置新的网段，启动容器的时候选择该网卡的配置项。docker默认的内网网段为172.17.0.0/16，不同主机的容器ip有可能冲突，所以要先改ip。重新配置容器中的ssh，参考：https://blog.csdn.net/feiying0canglang/article/details/124656425。但是运维说后边想要不同主机容器内的ip互通

VQAV1论文：VQA: Visual Question Answering。

表示适合GT的FPN层数，标准差高则表示高质量的anchor box集中在一个层中，应将阈值加上标准差来过滤其他层的anchor box，低则表示多个层都适合该GT，将阈值加上标准差来选择合适的层的anchor box，均值和标准差结合作为IoU阈值能够很好地自动选择对应的特征层上合适的anchor box。表示预设的anchor与GT的匹配程度，均值高则应当提高阈值来调整正样本，均值低则应当降低

一个含有1G参数的模型，如果每一个参数都是32bit（4byte），那么直接加载模型就会占用4x1G的显存。Step1:优化器会先备份一份FP32精度的模型权重，初始化好FP32精度的一阶和二阶动量（用于更新权重）。Step4:优化器利用FP16的梯度和FP32精度的一阶和二阶动量去更新备份的FP32的模型权重。Step2:开辟一块新的存储空间，将FP32精度的模型权重转换为FP16精度的模型权重

方法一：yolo+facenet参考：方法二：mtcnn+facenet参考：

表示适合GT的FPN层数，标准差高则表示高质量的anchor box集中在一个层中，应将阈值加上标准差来过滤其他层的anchor box，低则表示多个层都适合该GT，将阈值加上标准差来选择合适的层的anchor box，均值和标准差结合作为IoU阈值能够很好地自动选择对应的特征层上合适的anchor box。表示预设的anchor与GT的匹配程度，均值高则应当提高阈值来调整正样本，均值低则应当降低