Yolo

产品支持情况

产品	是否支持
Ascend 950PR/Ascend 950DT	√
Atlas A3 训练系列产品/Atlas A3 推理系列产品	√
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√
Atlas 200I/500 A2 推理产品	×
Atlas 推理系列产品	×
Atlas 训练系列产品	×

功能说明

• 算子功能：对YOLOv2/v3目标检测网络的检测特征图进行数据重组和激活处理，将原始卷积输出转换为检测框坐标、目标置信度和类别概率三个输出，供后续Yolov3DetectionOutput算子使用。

• 计算公式：

输入x的shape为(N, boxes*(coords+1+classes), H, W)，通道维度C按(elem, box)排列，即先排列所有锚框的x坐标，再排列所有锚框的y坐标，依此类推。

坐标处理：

• x, y坐标做sigmoid激活
• w, h坐标直接搬移（move），输出时w和h位置交换，输出排列为(x, y, h, w)

$$sigmoid(x)=\frac{1}{1+exp(-x)}$$

目标置信度和类别概率根据yolo_mode处理，yolo_mode由yolo_version、softmax和background三个属性决定：

• YOLO_MODE_1（V3，或V2且softmax=false且background=false）：obj=sigmoid, classes=sigmoid
• YOLO_MODE_2（V2且softmax=true且background=false）：obj=sigmoid, classes=softmax
• YOLO_MODE_3（V2且softmax=false且background=true）：obj=move, classes=sigmoid
• YOLO_MODE_4（V2且softmax=true且background=true）：obj和classes一起做softmax

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
x	输入	卷积层输出特征图，shape为(N, boxes*(coords+1+classes), H, W)，通道维度C=boxes*(coords+1+classes)，按(elem, box)排列。支持NCHW数据排布。	float16、float32	ND
coord_data	输出	检测框坐标，shape为(N, boxes*coords, CeilX(H*W*2+32,32)/2)，通道排列为(x, y, h, w)。输出最后一维使用ceilx内存对齐，有效数据为前H*W个元素。	float16、float32	ND
obj_prob	输出	目标置信度，shape为(N, CeilX(boxes*H*W*2+32,32)/2)。输出最后一维使用ceilx内存对齐，有效数据为前boxes*H*W个元素。	float16、float32	ND
classes_prob	输出	类别概率，shape为(N, classes, CeilX(boxes*H*W*2+32,32)/2)。输出最后一维使用ceilx内存对齐，有效数据为前boxes*H*W个元素。	float16、float32	ND
boxes	属性	锚框数量，取值大于0，默认值为3（YOLOv2默认5）。	Int	-
coords	属性	坐标参数数，固定为4，对应x, y, w, h，默认值为4。	Int	-
classes	属性	预测类别数，取值范围[1, 1024]，默认值为80。	Int	-
yolo_version	属性	YOLO版本，取值为"V2"或"V3"，默认值为"V3"。	String	-
softmax	属性	是否对类别概率做softmax，仅yolo_version为"V2"时有效，默认值为false。	Bool	-
background	属性	obj和classes操作类型控制，仅yolo_version为"V2"时有效，默认值为false。	Bool	-
softmaxtree	属性	固定为false，未使用，默认值为false。	Bool	-

约束说明

• 输入x必须为4维NCHW格式，shape为(N, boxes*(coords+1+classes), H, W)。
• 通道维度C必须满足C = boxes*(coords+1+classes)，否则结果未定义。
• coords固定为4，对应x, y, w, h四个坐标值。
• boxes必须大于0。
• classes取值范围为[1, 1024]。
• H和W必须大于0，即H*W > 0，不支持空空间维度。
• yolo_version仅支持"V2"或"V3"。
• 输入x必须为连续tensor。
• float16输入时中间计算提升到float32精度。
• 输出coord_data的通道排列为(x, y, h, w)，注意w和h位置与输入相比发生交换。
• softmax和background属性仅当yolo_version为"V2"时有效。
• 输出shape的最后一维使用ceilx内存对齐，与canndev的1.0 infershape一致：
  • coord_data最后一维：CeilX(HW2+32, 32)/2，有效数据为前H*W个元素，padding区域补零。
  • obj_prob最后一维：CeilX(boxesHW2+32, 32)/2，有效数据为前boxesH*W个元素，padding区域补零。
  • classes_prob最后一维：CeilX(boxesHW2+32, 32)/2，有效数据为前boxesH*W个元素，padding区域补零。
  • CeilX(size, align) = (size + align - 1) / align * align，其中size为元素数乘以2（float16占2字节），align为32（32字节对齐）。
• 算子为确定性实现：sigmoid使用标准公式1/(1+exp(-x))，softmax使用max-subtraction数值稳定的3-pass实现（每线程独立顺序累加，无跨线程归约），相同输入多次运行结果完全一致。
• float16输入时中间计算提升到float32精度，最终结果转回float16。float16 subnormal值（[2^-24, 2^-14)）通过手动构造位模式保留，绕过硬件FTZ（Flush-To-Zero）模式。
• 算子采用多核多线程并行：基于GetBlockIdx/GetBlockNum的全局核索引，每核512线程，Grid-Stride循环分配工作量。

调用说明

调用方式	调用样例	说明
图模式调用	test_geir_yolo	通过算子IR构图方式调用Yolo算子，参见算子调用完成算子编译和验证。