# actpred Hailo 推理预处理优化方案（修订版）：合并归一化与量化

> 文档类型：开发方案
> 模块：actpred（部署链 hailo_infer.py）
> 作者：自动生成
> 日期：2026-08-17（原型实测修订）
> 前置：`actpred_inference_speed_benchmark_20260813.md`（速度基准）、
> 2026-08-17 新 640×480 数据集重测（本方案 §2 数据）

> ⚠️ **修订说明（2026-08-17）**
> 初版以"numpy 查表法"为核心方案，预期端到端降至 18-20ms。
> 原型实测（§3.4）证明 **numpy 高级索引查表在 Pi5 上无加速**（fancy
> indexing 的 gather 开销与逐元素 float 运算相当），该预期不成立。
> 本修订版改以**合并系数乘加**（纯 numpy，-5ms）为主方案，
> **cv2.LUT**（需引入 opencv 依赖）列为可选的激进路径。

---

## 1. 背景与动机

2026-08-17 用新录制的 640×480 数据集（免 resize 训练样本）重测 HEF 推理速度：

| 阶段 | 640×480 输入 | 224×224 输入（旧数据） |
|---|---|---|
| 端到端 predict | **52.4 ms** | 60.0 ms |
| 预处理 | **35.9 ms** | 43.1 ms |
| NPU run | 12.5 ms | 12.9 ms |
| 后处理 | 0.6 ms | 0.6 ms |

输入尺寸已与模型一致（resize 变 no-op），**预处理仍是端到端延迟的主导项**（68%）。
旧基准报告（2026-08-13）已记录同类问题：1080p 采集的预处理缩放约 45ms 主导端到端延迟，
当时通过把默认分辨率改回 640×480 缓解；本次分析证明 640×480 下 Python 端预处理
仍有约 36ms 的优化空间——但空间比初版估计小（见 §3.4 实测）。

## 2. 瓶颈分析（100 次均值分段计时）

| 子步骤 | 耗时 | 说明 |
|---|---|---|
| `_frame_float`（3 帧） | **27.2 ms** | PIL fromarray/convert + resize（同尺寸 no-op 仍有开销）+ `(x/255-mean)/std` float 运算（92 万像素×3 通道） |
| `create_bindings` + 帧量化绑定 | **9.1 ms** | `_bind_frames`：float 归一化帧 → `round(x/q.scale+q.zp)` 再量化回 uint8 |
| history/pred 绑定 | 0.07 ms | 可忽略 |

**关键冗余**：当前流程先做 float 归一化（`_frame_float`），随后又量化回 uint8（`_bind_frames`）——
中间 float 帧是纯中间态，归一化与量化可以**合并为一步**。

## 3. 优化方案

### 3.1 主方案：合并系数乘加（纯 numpy，无新依赖）

HEF 帧输入是 uint8 量化值：`q = round(((x/255 - mean)/std) / q_scale + q_zp)`。
把 4 步运算合并为**一次乘加**（系数预计算，按通道）：

```
q = round(x * A[c] + B[c])
A[c] = 1 / (255 * std[c] * q_scale)
B[c] = -mean[c] / (std[c] * q_scale) + q_zp
```

- 现流程 4 次全数组运算（`/255`、`-mean`、`/std`、`/q_scale+q_zp`）→ 1 次乘加
- 数值完全等价（实测 max_diff = 0 LSB，见 §3.4）
- 直通模式（`_normalize_frames=False`）同理：`A=1/q_scale, B=q_zp`

### 3.2 附带优化（与主方案正交）

1. **免 PIL 路径**：输入已是 np.ndarray 时直接运算，跳过 `Image.fromarray/convert`
2. **resize no-op 跳过**：`image.size == (W,H)` 时不调用 `resize()`
3. **缓冲复用**：`np.multiply/np.add` 带 `out=` 参数，减少临时数组分配

### 3.3 可选激进路径：cv2.LUT（需引入 opencv 依赖）

`cv2.LUT(img, lut)` 是 C 实现的 uint8→uint8 查表，单次遍历，无 float 中间态——
理论上可把帧预处理降到 ~3ms。但当前环境 **cv2 未安装**；Pi5 arm64 上 opencv-python
安装包较重，是否引入需权衡（见 §7）。

### 3.4 原型实测评估（2026-08-17，100 次均值，640×480×3 帧）

| 方案 | 3 帧耗时 | 对比现 float 28.5ms | 数值差异 |
|---|---|---|---|
| 现 float 路径 | 28.5 ms | 基线 | — |
| numpy 高级索引查表 | 26.6 ms | **无加速（1.0x）** | 0 LSB |
| 合并系数乘加 | **23.2 ms** | 快 19%（-5ms） | 0 LSB |
| cv2.LUT | —（cv2 未安装） | 理论 ~3ms | — |

**结论**：
- numpy fancy indexing 的 gather 开销与逐元素 float 运算相当，查表法**无收益**
- 纯 numpy 可达的最佳是合并乘加（-5ms），受限于 92 万像素 float32 数组的内存吞吐
- 要数量级提升只能靠 cv2.LUT（C 查表），代价是引入 opencv 依赖

### 3.5 预期收益（修订）

| 路径 | 帧预处理 | 端到端 predict | 依赖 |
|---|---|---|---|
| 现状 | 35.9 ms | 52.4 ms | — |
| 主方案（合并乘加） | ~31 ms | **~47 ms** | 无 |
| 激进路径（cv2.LUT） | ~13 ms | **~25-30 ms** | opencv-python |

闭环 10Hz（100ms 预算）下，主方案占用率 52%→47%；激进路径降至 ~28%，为 20Hz 留出空间。

## 4. 一致性约束（关键）

- **训练侧不动**：`dataset.py` 的 `Resize+ToTensor+Normalize` 保持 float 路径——
  合并乘加只是推理侧对"归一化+量化"的合并实现，数值等价（实测 0 LSB）
- **三后端口径**：`predict.py`（PyTorch，float 输入不量化）、`onnx_infer.py`（ORT，float）
  不受影响；优化仅作用于 `hailo_infer.py` 的 uint8 量化输入路径
- **帧输入判定不变**：`_normalize_frames`（量化网格负零偏判定）决定走
  归一化还是直通，逻辑与现状一致
- 旧 5 输入 / 旧版单图像 HEF 布局同样适用（按各自 quant_info 算系数）

## 5. 实施步骤

| 步骤 | 内容 | 产出 |
|---|---|---|
| 1 | `hailo_infer.py`：加载时按 quant_info 预计算通道系数 `A/B`（归一化/直通两种） | 系数构建 + 单测（与 float 路径逐点比对 = 0 LSB） |
| 2 | `_frame_float` / `_bind_frames` 改为合并乘加路径（ndarray 直通、免 PIL、resize no-op 跳过） | 推理链路改造 + 单测（逐帧输出比对） |
| 3 | NPU 实测：新 640×480 数据集 100 次均值 + 分段计时 | 基准对比（52.4 → ~47ms） |
| 4 | `_npu_test.py` 4 角 + HEF vs torch 对比复验 | 量化误差不回归（≤1°） |
| 5 | 全套单测（TestHailoPredictor 等） | 188 tests OK |
| 6（可选） | 引入 cv2.LUT 路径（配置开关，默认关闭） | 激进路径 + 依赖权衡记录 |

## 6. 风险与对策

| 风险 | 对策 |
|---|---|
| 乘加系数浮点误差 | 实测 0 LSB（系数用 float32 与现路径同精度）；NPU 输出 vs torch 误差预算不变（≤1°） |
| 主方案收益有限（仅 -5ms） | 如实记录（§3.4/§3.5）；若需数量级提升走 cv2.LUT，否则可接受现状不优化 |
| cv2 依赖体积/安装 | 激进路径默认关闭、配置开关；Pi arm64 opencv 安装成本单独评估 |
| 未来输入尺寸变更 | 系数与尺寸无关（逐像素映射）；resize 仍需走 PIL，仅影响附带优化 2 |

## 7. 决策记录

- **查表法（初版核心）实测证伪**：numpy 高级索引 gather 在 Pi5 上与逐元素 float
  运算同速（26.6 vs 28.5ms），"查表降为内存索引即快"的假设不成立——教训：
  性能方案须原型实测，不能凭直觉估计
- **主方案选合并乘加**：纯 numpy 无新依赖、数值 0 LSB 等价、实施简单；-5ms 收益
  虽小但零风险。激进 cv2.LUT 留作可选（需权衡 opencv 依赖）
- **是否优化的取舍**：现状 52.4ms 已满足 10Hz 闭环；若控制率需求不上探 20Hz，
  可仅做主方案（低成本）甚至不优化。激进路径仅在明确需要更高控制率时启用
- **训练侧不改**：训练用 float 归一化（增强/数值精度），推理侧合并实现——两侧
  口径在"归一化值"层面一致，量化差异由部署链固有预算吸收（HEF vs torch 0.5° 余量充足）