输入层tensor的Shape疑问求解（cur_in_tensor_params[0].pShape）？ about nanodet_tensorrt_int8 HOT 2 CLOSED

关于第一个疑问，你的理解是对的；速度有提升是因为做了int8量化，以及对tensorrt的推理做了封装（把加载引擎，分配输入输出显存，释放显存，输入数据从内存拷贝到显存，输出数据从显存拷贝到内存封装为.so文件），精度有提升是因为改变了网络结构，把原始模型的maxpooling替换为卷积，把PAN层的上采样及下采样分别替换为反卷积和卷积。

from nanodet_tensorrt_int8.

关于第一个疑问，你的理解是对的；速度有提升是因为做了int8量化，以及对tensorrt的推理做了封装（把加载引擎，分配输入输出显存，释放显存，输入数据从内存拷贝到显存，输出数据从显存拷贝到内存封装为.so文件），精度有提升是因为改变了网络结构，把原始模型的maxpooling替换为卷积，把PAN层的上采样及下采样分别替换为反卷积和卷积。

感谢题主的解析！ 题主有尝试过用现在这个框架（nanodet_tensorrt_int8 工程和 LibMyTtrEngine-trt721.so工程）做图像语义分割么？ 也就是pth ->onnx -> trt， 输入1x3xHxW, 调用LibMyTtrEngine-trt721，用nanodet_tensorrt_int8工程得到1x1xHxW输出 ？
如果方便的话，题主能否留一下联系方式，有TRT相关的问题想跟题主请教一下？

from nanodet_tensorrt_int8.