之前有个项目用了OV，最近有个项目像节省成本不配显卡测试下cpu or intel-gpu推理效果，于是

迅速改动了之前项目代码，测试，然后奇怪的事情发生了，总是处理效果非常差，效果该有的地方没有，不该有的地方都有（你懂的），然后茫然，找朋友测试下，正常，然后就疑惑了，到底有啥区别，看了下他的代码，除了新版本的外，基本和我的思路一样，然后我想肯定我的代码有问题，然后猛然发现了一句：

net.input_info[input_blob].precision = "U8"

holy shit，

之前项目，是输入的是原图，然后再转模型的时候做了--mean_value [127.5,127.5,127.5] --scale 127.5。 而本项目我是外侧做的预处理，然后内部输入是归一化后的图像，所以根本不是U8,所以精度查了很多，不过惊奇的发现虽然该网络效果不好，U8后竟然对边界的寻找找的位置还可以，所以提供了个思路，如果单纯用最小的网络可以实现找边算法，标注根本不需要标注边，普通标注缺陷竟然可以u8后找到边沿，一个不错的课题。

所以一定注意，

不同的网络，有的输入是U8，有的是外部预处理，不需要这步，瞬间检测出缺陷来了。

附录检测图：

 左上为原图，右上为检测图，左下为正确检测图，右下为u8后的错误图。

另外测试前端处理时间：opencv比transform稍快2ms。

测试openvino 直接onnx模型和openvino  FP32 xml模型时间：测试发现：

当openvino加载onnx比xml的慢20ms左右，，，整体差别不太大

另外测试 batch=1 和batch=2 和batch=1 丢两次时间差异较大：

分别如下：

很奇怪的事情是batch=1，一张图很快204ms，batch=2，两张图482ms，但是batch=1，丢两次先后执行丢进去然后就出现了一次514 一次484的情况。代码如下：

    for j in range(images.shape[0]):
        s_time = get_time()
        res = exec_net.infer(inputs={input_blob: images[j]})

        e_time = get_time()

        print(f'processtime is {e_time - s_time}')

另外测试openvino –reverse_input_channels 和 在外侧转bgr 结果不一致，很奇怪外部做了bgr转rgb，和转义模型的时候转--reverse_input_channels理论上一致，但是测试下来问题很大，检测的直接不对了，此问题未想明白。