图像分析引擎 2 （SVP_NNN）与图像分析引擎 1 （NNN）在多个方面存在差异，以下是一些主要的区别和使用上的差异点：

1. 接口风格差异：

   • 图像分析引擎 1 使用 ACL 接口，而图像分析引擎 2 使用 SVP ACL 接口。
   • SVP ACL 使用 Linux 风格命名，宏定义和枚举采用 SVP_ACL_ 前缀；ACL 使用驼峰风格，宏定义和枚举采用 ACL_ 前缀。

2. SDK 接口差异：

   • 创建 data buffer 函数时，SVP ACL 增加了 stride 参数，用于逻辑读写操作时快速跳到下一行。
   • 模型加载函数、获取模型输入个数函数、数据类型获取数据大小等方面也存在差异。

3. MindStudio 使用差异：

   • 图像分析引擎 2 的 MindStudio 支持更多的模型转换选项，如 Caffe、ONNX，不支持 TensorFlow，并且部分参数有增删。
   • 精度比对方面，图像分析引擎 2 支持更多的中间结果相互对比。

4. 小型化工具使用差异：

   Caffe 和 Pytorch 的小型化工具在支持量化的算子、量化的位宽、对外接口和功能上存在差异。

5. ATC 使用差异：

   SVP ATC 在特性上与 NNN ATC 存在差异，例如对不同开源网络模型的支持、量化校准、自定义算子等。

6. 仿真器差异：

   图像分析引擎 2 提供了仿真器 Simulator，允许在非上板的 PC/服务器环境中执行仿真任务。

7. 数据排布和模型输入输出处理：

   SVP ACL 统一了输入输出数据格式，并对特定数据类型如 YVU420SP/YUV420SP 有特定的数据排布方式。

8. 环境安装差异：

   图像分析引擎 1 需要配置额外的环境变量，而图像分析引擎 2 简化了这一过程。

9. 特定功能支持：

   如 Recurrent 网络执行、动态 batch 处理、模式识别 CPU 任务个数获取等，在两个引擎中处理方式不同。

图像分析引擎 2 与图像分析引擎 1 在支持的模型层上存在一些差异，特别是在量化小型化工具支持的层和一些特定功能上。

1. Caffe 小型化工具差异：

   • 图像分析引擎 2 支持对更多不带权重的层进行激活量化，例如 PassThrough, Pooling, PSROIPooling, ROIPooling, SPP, Upsample 等。
   • 图像分析引擎 2 支持更灵活的量化位宽控制，激活量化可以在 8~16 位之间任意配置，权重量化在 Calibration 时可以配置 4 位和 8 位两种位宽。

2. Pytorch 小型化工具差异：

   • 图像分析引擎 2 支持对 Pytorch 中的特定层进行量化，例如 torch.nn.Linear（全连接层）、torch.nn.Conv2d（卷积层）、torch.nn.ConvTranspose2d（反卷积层）等，但有一些约束条件。
   • 一些操作需要替换为特定的 EltwiseAdd, EltwiseMul, EltwiseDiv 算子。

3. ATC 支持的算子规格差异：

   图像分析引擎 2（SVP_NNN）在某些方面与图像分析引擎 1（NNN）相比，支持的自定义算子和扩展算子有所不同。例如，图像分析引擎 2 不支持 Reverse、ROIAlign、Yolo、PriorBox、SpatialTransformer 等层，但支持新的参数配置方式。

4. 特定层的支持：

   一些特定层如 YoloV3Detection Output、SSDDetectionOutput、FSRDetectionOutput 等在两个引擎中都支持，但是配置方式可能存在差异。

5. 权重量化位宽：

   图像分析引擎 1 支持 8 位权重量化，而图像分析引擎 2 支持 4 位和 8 位权重量化。

6. 特定功能支持：

   • 图像分析引擎 2 支持权重压缩，而图像分析引擎 1 不支持。
   • 图像分析引擎 1 支持算子自动调优和动态 Batch，而图像分析引擎 2 不支持这些功能。