使用Gluon、python减少fasterRCNN数组输出的大小

我正在使用一个更快的rcnn模型来运行一些对象检测。我使用的包装器是gluon，代码如下：

net = model_zoo.get_model('faster_rcnn_resnet50_v1b_coco', pretrained=True)

im_fname = utils.download('https://github.com/dmlc/web-data/blob/master/' +
                      'gluoncv/detection/biking.jpg?raw=true',
                      path='biking.jpg')
x, orig_img = data.transforms.presets.rcnn.load_test(im_fname)

box_ids, scores, bboxes = net(x)

我的问题是，是否有可能减少net（x）返回的数组的大小，从而有效地加快计算速度？

问题在于，该模型将box_id、score和bboxe作为包含80000个元素的数组生成——只有前10个元素有用，其余元素的得分为-1。稍后，我尝试使用asnumpy（）将这些数组转换为numpy数组，但是，mxnet使用异步引擎，此函数必须等待计算结束后才能执行。80000个元素的计算需要更长的时间（5秒以上），因此我尝试减小阵列大小（SSD型号输出约6000个元素，速度更快）

如果您有其他的解决方案来提高.asnumpy（）的速度，那么这些也很受欢迎-基本上，一张图像只需5秒钟，这似乎不合理，因此我希望将其降低到~0.2s（这似乎更合适，对吗？）

---

谢谢

通过更改非最大抑制参数，可以减少检测到的对象的最大数量。请参阅和

set\u nms

。当您减少这个值时，您将获得更少的对象填充（即-1s），但您也可能会错过包含大量对象的图像中的对象

net.set_nms(nms_thresh=0.5, nms_topk=50)

---

我不认为这会增加总体吞吐量，因为绝大多数计算是在NMS之前进行的。如果需要低延迟和高吞吐量，我建议您考虑其他体系结构

yolo3_darknet53_coco 3（608x608）

在mAP方面与FasterRCNN相比不算太高，但吞吐量大大提高（~10倍）。

您能分析一下这段代码，看看瓶颈在哪里发生吗？如果可能的话，只需对输出进行索引，以抓取顶部并使用压缩格式（如

bcolz