UNeedCryDear
c++推理结果与python推理结果不一致问题
博主您好，我最近遇到一个问题想请教一下，我在训练完模型后使用官方的predict脚本预测能得到比较满意的分割结果，但是在转换onnx模型后使用该项目的c++代码推理，同一张图片，c++未检测到目标，输出的结果也为空白，这可能是什么原因造成的（如图，c++推理未检测出牙齿区域，但是python可以检测出并进行分割）
看旁边黄色的好像没问题，你要不多运行一下看下是不是mask颜色的问题？
大佬你好，感谢回复，我运行了几次查看结果，中间牙齿那部分区域确实没有识别出来，目前出现的情况是我在同时预测多张图片时，只有几张图片会出现上述这种情况，其他的都很正常，不知道这是python转c++造成的精度损失问题还是onnx模型的问题
你可以试一试调整下nms阈值，我比较怀疑是因为nms阈值过低导致你左下角那个检测框数据覆盖掉大图的情况了。你可以看下不经过nms的检测框有没有你丢失的这部分区域（会有很多重叠，但是按理来说应该要有这个区域的检测框才对）。
大佬您好：
我测试了很多例子，发现只有部分图片会出现上述情况，如图：用python加载训练的pt推理，牙齿、牙龈两个目标都正常识别，用python加载onnx模型，牙齿、牙龈两个目标也都正常识别（说明onnx文件没有问题），使用c++加载onnx模型时，只识别了牙龈一个目标，漏掉了牙齿目标，说明是c++推理过程中某一步与python不一致（python用的predict.py）导致的，我试过您写的yolov5和yolov8两个框架都有这样的问题，查阅资料说是数据预处理pt模型resize时的padding方式是不同的（链接：https://blog.csdn.net/kao_lengmian/article/details/126668561），不知道大佬清楚不，这个需要在c++中怎么修改数据预处理过程呢
- pt的resize规则是动态的，也就是他的padding是32的倍数。举个例子来说，比如你一张1280x640的图片,输入为640的情况下，他最终输入到模型中推理的大小是640x320,而不是padding为640x640输入，
- cpp下面，LetterBox中的auto设置为true即可，但是这个会影响性能，除非你能保证你每张图片经过改处理之后大小都一致，否者一直在变性能下降的很厉害，或者你可以将onnx导出为dynamic，然后根据输入图片实时padding到32的整数倍看看。
- 另外，我说的nms阈值你尝试过了吗？如果可以，你将pt模型和图片给我我看下有什么区别。
哈哈，好的，https://drive.google.com/file/d/1X0UMYUuIIy4UqjrO8PaCd_A4pjYOSCKM/view?usp=sharing
你可以试一试调整下nms阈值，我比较怀疑是因为nms阈值过低导致你左下角那个检测框数据覆盖掉大图的情况了。你可以看下不经过nms的检测框有没有你丢失的这部分区域（会有很多重叠，但是按理来说应该要有这个区域的检测框才对）。
实际上，你只需要按照这个调整一下，比如你给我的这些图片，将nms调整到0.6就可以了。并不是resize或者padding策略不一样，只是nms里面计算iou的方式不一样导致的，或者你可以试一下自己实现一下opencv的cv::dnn::NMSBoxes这个函数，然后将其中的IoU换成你运行python源码的时候对于的IoU方式 _nmsThreshold
大佬您好，再请教一下问题哈： 我又测试了大量数据，增大了_nmsThreshold的值（从0.45到0.8）确实可以检测到之前未检测到的目标，但是还是有少部分图片会漏掉目标情况，这个时候再增大_nmsThreshold的值也没效果了，但是python中的_nmsThreshold就是0.45却能检测到所有目标，这是因为c++中nms计算过程和python中nms计算过程不一致导致的嘛？是否可以将c++中nms计算过程和python保持完全一致？还是有什么原因导致两者无法保持一致嘛，纯小白，真心请教大佬！
- 我上面不是跟你说了吗，你可以自己实现nms部分，然后获得和python一样的功能，这个你找一下我记得是又别人实现过了。
- 除开这个之外，你得对比下python下面的onnx和cpp的onnx结果区别，你这少部分漏掉的python下面运行onnx是又结果还是漏掉？
- 至于resize部分，你可以试试看下c++中resize中不同的方法的区别，这个对比下python下面的opencv方法即可。python下面好像resize放大和resize缩小是两个参数来着，我嫌弃麻烦，只用了一种，就目前而言我没有出现你说的这么极限的情况。
- 如果真的上面两三点改完之后你还是会出现这种问题，你应该去研究一下网络和数据集的改进，也就是你的模型泛化能力不足导致细微的结果不一样。
- 如果如果最终真的都不行，并且这个模型对你很重要，我比较建议你换libtorch，这个就是python的c++版本，你只要按照python下面的功能一样实现的话，推理结果是一摸一样的。
好的大佬，我目前的情况是python加载onnx可以检测到所有目标，c++加载onnx时只有少部分图片会漏掉一些目标（调整了_nmsThreshold的值也检测不出来），应该可以判断是c++中nms实现过程和python的不一致，我现在先尝试着改成一致，再看看结果吧，感谢大佬指点