yolov5在rk3399pro上使用python api调用usb摄像头推理fps较低

我把onnx转rknn的例子中的test.py修改成从摄像头输入视频流并使用opencv进行接收后循环检测每一帧并进行后处理和显示，发现FPS只有8帧左右，使用的是自己训练并修改网络结构的yolov5,使用eval_perf接口进行单张图片的rknn模型评估时fps为44，同时我还自己训练了未修改网络的yolov5进行对比，rknn评估时fps为37,但在RK3399pro上表现也只有8帧，我不知道问题出在了哪里，烦请大神解答，若个人思路有偏差，还请多多指正。以下是我对主函数的改动，后处理函数未贴。
   # Load rknn models
    print('--> Loading model')
    ret = rknn.load_rknn(path='./rkb11_rk3399pro_out_opt.rknn')
    if ret != 0:
        print('Load yolov5rknn failed!')
        exit(ret)
    print('done')

    # init runtime environment
    print('--> Init runtime environment')
    ret = rknn.init_runtime()
    # ret = rknn.init_runtime('rk1808', device_id='1808')
    if ret != 0:
        print('Init runtime environment failed')
        exit(ret)
    print('done')

    # VideoCapture inputs
    capture = cv2.VideoCapture(10)
    ref, frame = capture.read()
    height, width = frame.shape[:2]
    print(f"Image resolution: {width} x {height}")
    if not ref:
            raise ValueError("Could not open the camera!Please check it to ensure work correctly.")

    fps = 0.0
    while(True):
        t1 = time.time()
        # 读取某一帧
        ref,frame = capture.read()
        if not ref:
            break
        # 格式转变
        frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        # 进行检测
        img = frame
        # img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
        # print(dw, dh)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        img = cv2.resize(img,(IMG_SIZE, IMG_SIZE))
        '''   
        # Set inputs
        img = cv2.imread(IMG_PATH)
        # img, ratio, (dw, dh) = letterbox(img, new_shape=(IMG_SIZE, IMG_SIZE))
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        img = cv2.resize(img,(IMG_SIZE, IMG_SIZE))
        '''
        # Inference
        print('--> Running model')
        outputs = rknn.inference(inputs=[img])
        # print(outputs[0].ndim)
        # print(outputs[0].shape)
        # print(outputs[0].size)

        # simple post process
        simple_data = outputs[0]
        simple_data = simple_data.reshape([3,-1]+list(simple_data.shape[-2:]))

        simple_data = np.transpose(simple_data, (2, 3, 0, 1))
        # print(simple_data.shape)
        boxes, classes, scores = yolov5_post_process_simple(simple_data)

        img_0 = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
        if boxes is not None:
            draw(img_0, boxes, scores, classes)
        cv2.imshow("direct result", img_0)

        # full post process 三个输出对应yolov5三个不同尺度的检测结果
        input0_data = outputs[0]  # 每个边界框的信息通常包括边界框坐标（4个值，x、y、宽度、高度）、置信度分数（1个值）和类别分数（C个值，每个类别一个分数）
        input1_data = outputs[1]  # 在上下文中，input_data 是一个多维数组，其形状为 (batch_size, channels, height, width),分别对应(0,1,2,3)四个维度
        input2_data = outputs[2]

        input0_data = input0_data.reshape([3,-1]+list(input0_data.shape[-2:]))
        input1_data = input1_data.reshape([3,-1]+list(input1_data.shape[-2:]))
        input2_data = input2_data.reshape([3,-1]+list(input2_data.shape[-2:]))

        input_data = list()
        input_data.append(np.transpose(input0_data, (2, 3, 0, 1)))
        input_data.append(np.transpose(input1_data, (2, 3, 0, 1)))
        input_data.append(np.transpose(input2_data, (2, 3, 0, 1)))

        boxes, classes, scores = yolov5_post_process(input_data)

        img_1 = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
        if boxes is not None:
            draw(img_1, boxes, scores, classes)
        fps = ( fps + (1./(time.time()-t1))) / 2
        print("fps= %.2f"%(fps))
        cv2.imshow("viedo", img_1[:, :, : : -1])
        c = cv2.waitKey(100) & 0xff
        if c == 27:
            capture.release()
            break

    print("Video Detection Done!")
    capture.release()
    cv2.destroyAllWindows()

    rknn.release()

全部在一个线程里？你试过不加rknn多少fps么？
算下获取摄像头多少ms，rknn多少ms，前后处理多少ms，自己不就清楚哪里慢了吗