关于rknn模型c++调用速度问题

你好：
       我自己的mobilenet ssd模型；（1）直接在按照咱们的c代码示例进行测试，for循环中反复测试，单帧的速度大概在10ms左右；（2）将其集成到qt中读取视频流，然后进行测试，时间大概在34ms左右，现在无法想到可能的原因，能否解答一下可能的原因呢？非常感谢。代码模块如下：

for(int k =0;k<1000;k++){
    cv::Mat img            = cv::imread(img_path, 1);
    cv::Mat img_clone      = img.clone();
    cvtColor(img, img, CV_BGR2RGB);
    if(img.cols != img_width || img.rows != img_height)
        cv::resize(img, img, cv::Size(img_width, img_height), (0, 0), (0, 0), cv::INTER_LINEAR);
clock_t start,finish;
double totaltime;
start = clock();
    rknn_input               inputs[1];
    rknn_output              outputs[2];
    rknn_tensor_attr         outputs_attr[2];
    int ret                = 0;
    rknn_context ctx       = 0;
    ret                    = rknn_init(&ctx, model, model_len, RKNN_FLAG_PRIOR_MEDIUM);
    outputs_attr[0].index  = 0;
    ret                    = rknn_query(ctx, RKNN_QUERY_OUTPUT_ATTR, &(outputs_attr[0]), sizeof(outputs_attr[0]));
    outputs_attr[1].index  = 1;
    ret                    = rknn_query(ctx, RKNN_QUERY_OUTPUT_ATTR, &(outputs_attr[1]), sizeof(outputs_attr[1]));
    inputs[0].index        = input_index;
    inputs[0].buf          = img.data;
    inputs[0].size         = img_width * img_height * img_channels;
    inputs[0].pass_through = false;
    inputs[0].type         = RKNN_TENSOR_UINT8;
    inputs[0].fmt          = RKNN_TENSOR_NHWC;    //ago
    ret                    = rknn_inputs_set(ctx, 1, inputs);
    ret                    = rknn_run(ctx, nullptr);
    outputs[0].want_float  = true;
    outputs[0].is_prealloc = false;
    outputs[1].want_float  = true;
    outputs[1].is_prealloc = false;
    ret = rknn_outputs_get(ctx, 2, outputs, nullptr);
    if(outputs[0].size == outputs_attr[0].n_elems*sizeof(float) && outputs[1].size == outputs_attr[1].n_elems*sizeof(float)){
        float boxPriors[4][NUM_RESULTS];
        string labels[2];
        loadLabelName(label_path, labels);
        loadCoderOptions(box_priors_path, boxPriors);
        float* predictions = (float*)outputs[0].buf;float* outputClasses = (float*)outputs[1].buf;
        int output[2][NUM_RESULTS];
        decodeCenterSizeBoxes(predictions, boxPriors);
        int validCount = scaleToInputSize(outputClasses ,output, NUM_CLASSES);
        if (validCount < 100) {
            nms(validCount, predictions, output);
            for (int i = 0; i < validCount; ++i)  {
                if (output[0] == -1)  continue;
                int n = output[0];
                int topClassScoreIndex = output[1];
                float score = outputClasses[n*2+topClassScoreIndex];
                int x1 = static_cast<int>(predictions[n * 4 + 0] * img_clone.cols);
                int y1 = static_cast<int>(predictions[n * 4 + 1] * img_clone.rows);
                int x2 = static_cast<int>(predictions[n * 4 + 2] * img_clone.cols);
                int y2 = static_cast<int>(predictions[n * 4 + 3] * img_clone.rows);
                string label = labels[topClassScoreIndex];
                rectangle(img_clone, Point(x1, y1), Point(x2, y2), colorArray[topClassScoreIndex%10], 3);
                putText(img_clone, label, Point(x1, y1 - 12), 1, 2, Scalar(0, 255, 0, 255));
            }     
        }
        else
            printf("validCount too much!\n");
    }
    else{
        printf("rknn_outputs_get fail! get outputs_size = [%d, %d], but expect [%lu, %lu]!\n",
        outputs[0].size, outputs[1].size, outputs_attr[0].n_elems*sizeof(float), outputs_attr[1].n_elems*sizeof(float));
    }
    rknn_outputs_release(ctx, 2, outputs);
finish=clock();
totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
cout<<"time of process one frame is :"<<totaltime<<"秒！"<<endl;
}

前处理、推理、后处理；  时间分开分析。先定位到哪边时间增加，在分析。