引言

征程 6 相比于征程 5，在整体架构上得到了升级，相对应的，算法工具链的算子支持也得到了扩充，无论是算子支持的数量，还是 BPU 约束条件，征程 6 都有明显的加强，这就使得过去在征程 5 上无法部署的算法得以在征程 6 上成功部署。本文就以双目深度估计中比较经典的 CGI 算法为例，进行征程 5 和征程 6 算法工具链的编译部署对比。

CGI 导出 onnx

CGI 是一种经典的双目深度估计算法，官方 github 地址为：https://github.com/gangweiX/CGI-Stereo

CGI 提出了上下文与几何融合（CGF）模块，它能使上下文特征与几何特征有效互动，从而大大提高准确性。该算法还提出了一种新的 cost volume，命名为注意力特征量（AFV），用于编码匹配信息和内容信息。这种精确、实时的立体匹配网络 CGI-Stereo 在 KITTI 基准测试中的表现在当时优于所有其它已发布的实时方法，并显示出比其它实时方法更好的泛化能力。是一种非常经典的双目深度网络。

在将项目 clone 到本地后，我们可以编下如下脚本将网络导出为 onnx。

import torchimport onnximport argparsefrom models import __models__
parser = argparse.ArgumentParser(description='Accurate and Real-Time Stereo Matching via Context and Geometry Interaction (CGI-Stereo)')parser.add_argument('--model', default='CGI_Stereo', help='select a model structure', choices=__models__.keys())parser.add_argument('--maxdisp', type=int, default=192, help='maximum disparity')args = parser.parse_args()model = __models__
[args.model](args.maxdisp)input1 = torch.randn(1, 3, 352, 640)input2 = torch.randn(1, 3, 352, 640)input_names = ["input1", "input2"]output_names = ["output1"]torch.onnx.export(    model,    (input1, input2),    "cgi.onnx",    opset_version=11,
    input_names=input_names,    output_names=output_names,)

这段代码的主要作用是将 CGI 算法导出为 ONNX 格式。具体解释如下：

1. 导入库：首先，导入了 PyTorch、ONNX、argparse 和一个自定义模块models中的models。torch用于模型操作，onnx用于模型导出，argparse用于解析命令行参数，models是一个包含模型定义的字典。

2. 命令行参数解析：通过argparse.ArgumentParser，定义了两个命令行参数：

3. --model：选择模型的名称，默认是CGI_Stereo。

4. --maxdisp：定义最大视差，默认值是 192，用于设置立体匹配中的最大视差范围。

5. 模型初始化：根据用户输入的model和maxdisp参数，从models字典中取出对应的模型构造函数，并用maxdisp参数初始化模型。

6. 生成输入数据：创建两个随机的 Tensor，分别代表左右图像输入，形状为(1, 3, 352, 640)，即批次大小为 1，3 个颜色通道，图像尺寸为 352x640。input_names和output_names分别定义了输入和输出张量的名称。

7. 导出为 ONNX 格式：使用torch.onnx.export将 PyTorch 模型导出为 ONNX 格式。输入是刚刚创建的随机图像数据，输出的 ONNX 文件名是cgi.onnx，并指定了 opset 为 11。input_names和output_names确保了输入和输出张量在 ONNX 模型中有明确的名称。

打开导出的 onnx 文件，模型的输入输出信息如下所示。

征程 5 编译

接下来，我们尝试使用征程 5 工具链编译该模型，使用指令如下。

hb_mapper makertbin --fast-perf --model cgi.onnx --model-type onnx --march bayes

转换过程中，便会生成编译器提示的报错信息。

具体来说，就是 Gather 类型的算子，在征程 5 平台上不支持输出的维度超过 4，而这个模型不满足要求，因此无法在征程 5 平台正常编译出来，PTQ 链路的生成物就到 quantized_model.onnx 位置了。

因此，如果想在征程 5 部署这个算法，就意味着需要大改模型。

征程 6 编译

接下来，我们看一下这个 onnx 模型在征程 6 工具链上的表现，编译指令如下。

hb_compile --fast-perf --model cgi.onnx --march nash-m

通过编译日志可以看出，这个模型已经编译成功，且两个输入分支自动转换成了 2 组 y/uv 的 uint8 输入。查看 model_output 文件夹，也是要啥有啥，文件齐全～

通过 hrt_model_exec 进行板端性能评测，该模型的 BPU 部分推理耗时为 17ms 左右，说明也是可以成功在板端进行推理的，之后就可以继续进行针对这个模型的性能优化和精度优化工作了～

总结

相比于征程 5，征程 6 支持更多算子的高精度配置，如 int16，fp16 等，支持更多的算子运行在 BPU，也对 BPU 约束放宽了条件，大部分算子约束条件减弱甚至没有约束。因此，一些在征程 5 计算平台上难以部署的模型，在征程 6 上往往能有比较好的表现。本文以 CGI 为例进行了说明，更多的算法模型大家可以自行探索～