模型输入的预处理

这个预处理其实就是模型训练阶段的预处理流程，和它对齐就好，特征工程
常见的一些预处理包括了：

1. 图像的resize处理,满足指定的大小
2. 归一化操作：数据归一化是指数据减去对应维度的最小值除以维度最大值减去维度最小值，这样做可以将数值压缩到[0,1]的区间。公式：(xi−min(x))/(max(x)−min(x))
3. 标准化（数据标准化是指数据的各维度减均值除以标准差，公式：(xi−μ)/σ 其中μ指的是样本的均值，σ指的是样本的标准差。）
4. 白化：白化的目的是去除输入数据的冗余信息。
5. 颜色通道变化（skimage的io、opencv-python、PIL等，需要注意的是 CV2读取的数据顺序是BGR，可能需要转RGB ）

image.png

像这种模型大概率将输入的预处理融合在了模型中

image.png

像这种的很大概率需要进行一些预处理
输入值的范围[0--255]? [0--1] [-1,1] [-0.5,0.5]
一般是根据论文中，保持一致
图像输入的是BGR还是RGB? 或者是其它形式的，都需要进行确认

模型推理

模型推理的过程就交给tflite吧，不同的平台出来的结果可能会又一丢丢的误差？？？不是很确认，感觉会有一点。

如果是在X86-64的平台上跑量化模型，会非常的慢，一些非常大的模型可能就跑不出来，比如EfficientNe-B4模型。因为没有针对量化的推理过程进行优化，或称ARM的频台应该会很快。

模型输出的处理

image.png

像这种分类的输出因该是不用做任何处理的

image.png

想这种大概率把输出的处理融合到模型中了。

image.png

想这种的需要进行一些处理 x255 clip rint(四舍五入) 等

输入输出的处理对齐才能保证模型模型达到理想的效果

https://blog.csdn.net/weixin_41010198/article/details/114299754