标签：32 征程 uv stride 详解 nv12 NV12 path data

1.引言

使用地平线征程 6 算法工具链进行模型部署时，如果你的模型输入是图像格式，通常会遇到如下信息。

对于初学者，可能会存在一些疑问，比如：

nv12 是什么？
明明算法模型是一个输入，为什么看 hbm 模型，有 y 和 uv 两个输入？
为什么 uv 的 valid shape 不是（1,224,224，2），而是（1,112,112，2）
stride 中为什么有 -1？如果需要自己计算，计算公式是什么？
为什么 aligned byte size 是 -1，而不是一个具体的值？如果需要自己计算，计算公式是什么？

相信阅读完本文，可以帮助大家理解上面 5 个问题，下面来一起看一下。

NV12 是一种广泛应用的图像格式，特别在视频编解码领域，自动驾驶领域，嵌入式端图像输入一般都是 NV12，例如英伟达和地平线。

NV12 属于 YUV 颜色空间中的一种，采用 YUV 4:2:0 的采样方式。主要特点是将亮度（Y）与色度（UV）数据分开存储，地平线使用的 NV12，U 和 V 色度分量交替存储。

在深入理解 NV12 之前，我们首先需要对 YUV 颜色空间有基本的了解，YUV 理论介绍参考地平线社区文章：常见图像格式中的部分章节。

2.YUV

YUV 是一种彩色图像格式，其中 Y 表示亮度（Luminance），用于指定一个像素的亮度（可以理解为是黑白程度），U 和 V 表示色度（Chrominance 或 Chroma），用于指定像素的颜色，每个数值都采用 UINT8 表示，如下图所示。YUV 格式采用亮度-色度分离的方式，也就是说只有 U、V 参与颜色的表示，这一点与 RGB 是不同的。

不难发现，即使没有 U、V 分量，仅凭 Y 分量我们也能 “识别” 出一幅图像的基本内容，只不过此时呈现的是一张黑白图像。而 U、V 分量为这些基本内容赋予了色彩，黑白图像演变为了彩色图像。这意味着，我们可以在保留 Y 分量信息的情况下，尽可能地减少 U、V 两个分量的采样，以实现最大限度地减少数据量，这对于视频数据的存储和传输是有极大裨益的。这也是为什么，YUV 相比于 RGB 更适合视频处理领域。

2.1 YUV 常见格式

据研究表明，人眼对亮度信息比色彩信息更加敏感。YUV 下采样就是根据人眼的特点，将人眼相对不敏感的色彩信息进行压缩采样，得到相对小的文件进行播放和传输。根据 Y 和 UV 的占比，常用的 YUV 格式有：YUV444，YUV422，YUV420 三种。

用三个图来直观地表示不同采集方式下 Y 和 UV 的占比。

YUV444：每一个 Y 分量对应一对 UV 分量，每像素占用 3 字节（Y + U + V = 8 + 8 + 8 = 24bits）；

YUV422：每两个 Y 分量共用一对 UV 分量，每像素占用 2 字节（Y + 0.5U + 0.5V = 8 + 4 + 4 = 16bits）；

YUV420：每四个 Y 分量共用一对 UV 分量，每像素占用 1.5 字节（Y + 0.25U + 0.25V = 8 + 2 + 2 = 12bits）；

此时来理解 YUV4xx 中的 4，这个 4，实际上表达了最大的共享单位！也就是最多 4 个 Y 共享一对 UV。

2.2 YUV420 详解

在 YUV420 中，一个像素点对应一个 Y，一个 4X4 的小方块对应一个 U 和 V，每个像素占用 1.5 个字节。依据不同的 UV 分量排列方式，还可以将 YUV420 分为 YUV420P 和 YUV420SP 两种格式。

YUV420P 是先把 U 存放完，再存放 V，排列方式如下图：

YUV420SP 是 UV、UV 交替存放的，排列方式如下图：

此时，相信大家就可以理解 YUV420 数据在内存中的长度应该是：width * height * 3 / 2 。

3.NV12 代码示例

地平线使用的 NV12 图像格式属于 YUV 颜色空间中的 YUV420SP 格式，每四个 Y 分量共用一组 U 分量和 V 分量，Y 连续存放，U 与 V 交叉存放，下面介绍两种常见库将图像转为 nv12 的代码。

3.1 PIL 将图像转为 nv12

import sys
import numpy as np
from PIL import Image

def generate_nv12(input_path, output_path='./'):
    img = Image.open(input_path)
    w,h = img.size
    # 将图片转换为YUV格式
    yuv_img = img.convert('YCbCr')
    y_data, u_data, v_data = yuv_img.split()
    
    # 将Y、U、V通道数据转换为字节流
    y_data_bytes = y_data.tobytes()
    u_data_bytes = u_data.resize((u_data.width // 2, u_data.height // 2)).tobytes()
    v_data_bytes = v_data.resize((v_data.width // 2, v_data.height // 2)).tobytes()
    
    # 将UV数据按UVUVUV...的形式排列
    uvuvuv_data = bytearray()
    for u_byte, v_byte in zip(u_data_bytes, v_data_bytes):
        uvuvuv_data.extend([u_byte, v_byte])
    
    # y data
    y_path = output_path + "_y.bin"
    with open(y_path, 'wb') as f:
        f.write(y_data_bytes)
   
    # uv data
    uv_path = output_path + "_uv.bin"
    with open(uv_path, 'wb') as f:
        f.write(uvuvuv_data)
   
    nv12_data = y_data_bytes + uvuvuv_data
    # 保存为NV12格式文件
    nv12_path = output_path + "_nv12.bin"
    with open(nv12_path, 'wb') as f:
        f.write(nv12_data)
   
    # 用于bc模型的输入
    y = np.frombuffer(y_data_bytes, dtype=np.uint8).reshape(1, h, w, 1).astype(np.uint8)
    uv = np.frombuffer(uvuvuv_data, dtype=np.uint8).reshape(1, h//2, w//2, 2).astype(np.uint8)
    return y, uv

if _name_ == "__main__":
    if len(sys.argv) < 3:
        print("Usage: python resize_image.py <input_path> <output_path>")
        sys.exit(1)

    input_path = sys.argv[1]
    output_path = sys.argv[2]

    y, uv = generate_nv12(input_path, output_path)

3.2 cv2 将图像转为 nv12

import cv2
import numpy as np

def image2nv12(image):
    image = image.astype(np.uint8)
    height, width = image.shape[0], image.shape[1]
    yuv420p = cv2.cvtColor(image, cv2.COLOR_BGR2YUV_I420).reshape((height * width * 3 // 2, ))
    y = yuv420p[:height * width]
    uv_planar = yuv420p[height * width:].reshape((2, height * width // 4))
    uv_packed = uv_planar.transpose((1, 0)).reshape((height * width // 2, ))
    nv12 = np.zeros_like(yuv420p)
    nv12[:height * width] = y         # y分量
    nv12[height * width:] = uv_packed # uv分量，uvuv交替存储，征程6拆开就是这种
    # return y, uv_packed        # 分开返回
    return nv12                  # 合在一起返回nv12，看大家需要

image = cv2.imread("./image.jpg")
nv12 = image2nv12(image)

阅读到这儿，相信前 3 个疑问，已经介绍清楚了，下面再来看剩下 2 个问题。

4.对齐规则

对于 NV12 输入，地平线 BPU 要求模型输入 HW 都是偶数，主要是为了满足 UV 是 Y 的一半的要求。

有效数据排布和对齐数据排布用 validShape 和 stride 表示。

validShape 是有效数据的 shape。
stride 表示 validShape 各维度的步长，描述跨越张量各个维度所需要经过的字节数。当数据类型为 NV12（Y、UV）时比较特殊，只要求 W 方向 32 对齐。

BPU 对模型输入输出内存首地址有对齐限制，要求输入与输出内存的首地址 32 对齐。

使用 hbUCPMalloc 与 hbUCPMallocCached 接口申请的内存首地址默认 32 对齐。当用户申请一块内存，并使用偏移地址作为模型的输入或输出时，请检查偏移后的首地址是否 32 对齐。

完了，没看懂，什么有效数据？步长？W 方向 32 对齐？首地址 32 对齐？没看懂？举个例子：

为了直观展示，假设对齐前的 NV12 有效数据的 shape：H=4，W=8，步长 Stride=12，Y 分量和 UV 分量分别存储在两块不同的内存空间中，内存首地址分别用 mem[0]和 mem[1]表示，Y 分量占用 412=48 字节，UV 分量共占用 212=24 字节。

相信到这儿，你懂了。

5.动态输入 -1 介绍

当模型输入张量属性 stride 中含有 -1 时，代表该模型的输入是动态的，需要根据实际输入对动态维度进行填写。此时需要大家想起来：

W 方向保证 32 对齐。
stride[idx] >= stride[idx+1] ∗ validShape.dimensionSize[idx+1]，其中 idx 代表当前维度。

举个例子，如文章最上方的截图：

input_y : validShape = [1,224,224,1], stride = [-1,-1,1,1]
input_uv : validShape = [1,112,112,2], stride = [-1,-1,2,1]

stride 计算如下所示，保证动态维度 32 对齐，其中 ALIGN_32 代表 32 字节对齐：

input_y :

stride[3] = 1，结合 tensor type 看，每个元素 8bit 也就是 1byte 大小；
stride[2] = 1;
stride[1] = ALIGN_32(stride[2] * validShape.dimensionSize[2]) = ALIGN_32(1 * 224) = 224;
stride[0] = ALIGN_32(stride[1] * validShape.dimensionSize[1]) = ALIGN_32(224 * 224) = 50176;

input_uv :

stride[3] = 1，结合 tensor type 看，每个元素 8bit 也就是 1byte 大小；
stride[2] = 2;
stride[1] = ALIGN_32(stride[2] * validShape.dimensionSize[2]) = ALIGN_32(2 * 112) = 224;
stride[0] = ALIGN_32(stride[1] * validShape.dimensionSize[1]) = ALIGN_32(224 * 112) = 25088;

在准备输入时，就需要按照上面的 stride 和 validshape 准备数据了。

但此时，无法解释为什么 nv12 输入时，这里的 stride 为什么必须是 -1，毕竟可以通过公式计算得到啊，为什么工具不计算好直接提供出来呢？别问，问就是还没理解透彻，这是甲鱼的臀部——“规定”。

看到这儿，第 4 个问题也解决了。

6.aligned byte size 如何计算

NV12 输入时，alignedByteSize = stride[0]。

在别的输入格式时，可能会遇到 alignedByteSize > stride[0] 的情况，这就是另外的故事了，下次再聊～

标签：32,征程,uv,stride,详解,nv12,NV12,path,data
From： https://www.cnblogs.com/horizondeveloper/p/18446408

征程6 NV12 理论与代码详解