写点什么

地平线征程6

0 人感兴趣 · 30 次引用

  • 最新
  • 推荐
https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6|工具链 VP 示例中日志打印解读

LOGE_AND_RETURN_IF 到底是怎么写的呢?有没有什么门道可以介绍一下?

https://static001.geekbang.org/infoq/ea/ead3a45a04465bf001db1fe85f766e55.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

智能驾驶中预测模块简介

轨迹预测是自动驾驶系统“感知-预测-规控”流程中的核心环节,位于感知与规划模块之间,起到承上启下的作用。

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

【征程 6】工具链 VP 示例为什么能运行

在上一篇文章【征程 6】VP 简介与单算子实操 中,介绍了 VP 是什么,并以单算子 rotate 为例,介绍了 VP API 使用方法

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 系统 power 状态机介绍

征程 6x 内部有 AON、MCU 和 Main 域三个电源域。其中 AON 为非下电状态需要一直供电的电源域,MCU 电源域用于给 Hsm 和 MCU 及其内部 IP 供电,Main 域给其他部分供电。

https://static001.geekbang.org/infoq/17/176ea9726badf26687180a7bc4768ae0.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

精度调优|conv+depth2space 替换 resize 指导

本文将介绍一种新的方法,可以有效提升上采样操作中的精度,解决传统 int8 精度量化带来的精度下降问题。

https://static001.geekbang.org/infoq/00/0097fb538bc7e8b0de194c0ec58524d3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6X CAMSYS 性能测试方案介绍

CAMSYS 其性能指标主要包括:帧率、延迟,以及系统的 DDR 带宽、CPU 占用率等。

https://static001.geekbang.org/infoq/37/37d2039b4d3a12fbe41b3b2d392d0bbb.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 VP 简介与单算子实操

VP,全称 Vision Process,指 UCP 中的视觉处理功能模块。

https://static001.geekbang.org/infoq/d3/d3076a2edf45fc447aeb6af3fc4d58dc.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 基于 Linux 和 Node-Locked License 配置 DSP 开发环境

该文档以征程 6上使用的Q8 DSP安装为例,同样的步骤在征程 5 上使用方法类似只是征程 6使用的DSP为VP6

https://static001.geekbang.org/infoq/5e/5e839285bcb70e04282952bf38210206.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

手把手基于 MINI 数据集带你做一次板端精度评估

性能评估和精度评估在模型开发和部署过程中是至关重要的两个部分。对于精度评估,地平线算法工具链提供了两中路径进行算法的精度评估。

https://static001.geekbang.org/infoq/37/37d2039b4d3a12fbe41b3b2d392d0bbb.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 工具链 BEVPoolV2 算子使用教程 【2】-BEVPoolV2 QAT 链路实现示例

此篇帖子将展示 征程 6 工具链 BEVPoolV2 单算子 QAT 链路的实现范例,以进一步增进用户对 BEVPoolV2 算子使用的认知。

https://static001.geekbang.org/infoq/37/37d2039b4d3a12fbe41b3b2d392d0bbb.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 工具链 BEVPoolV2 算子使用教程 1 - BEVPoolV2 算子详解

当前,地平线 征程 6 工具链已经全面支持了 BEVPooling V2 算子,并与 mmdetection3d 的实现完成了精准对齐。然而,需要注意的是,此算子因其内在的复杂性以及相关使用示例的稀缺,致使部分用户在实际运用过程中遭遇了与预期不符的诸多问题。

https://static001.geekbang.org/infoq/ca/ca025f237f275e24fca791861a21630a.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

DeepSeek 1.5B 蒸馏模型的征程 6 部署(Llama 方式)

DeepSeek 是一款基于人工智能的搜索引擎,旨在提升用户的搜索体验。它利用先进的自然语言处理技术,通过理解查询的上下文和意图,为用户提供更精确、相关的搜索结果。

https://static001.geekbang.org/infoq/80/80989f2fb4ebff2167edbcb0c4680028.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

YOLOv10 解析与地平线 征程 6 模型量化

近些年来,研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索,取得了显著进展。然而,后处理对非极大值抑制(NMS)的依赖阻碍了 YOLO 的端到端部署,并对推理延迟产生不利影响。

https://static001.geekbang.org/infoq/a6/a68ff819c217ba66ad0c0726498b03c3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

YOLOv5 的量化及部署 - RGB 专题

YOLOv5 是一种高效的目标检测算法,尤其在实时目标检测任务中表现突出。YOLOv5 通过三种不同尺度的检测头分别处理大、中、小物体;检测头共包括三个关键任务:边界框回归、类别预测、置信度预测

https://static001.geekbang.org/infoq/a6/a68ff819c217ba66ad0c0726498b03c3.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

YOLOv5 的量化及部署 - RGB 专题

YOLOv5 是一种高效的目标检测算法,尤其在实时目标检测任务中表现突出。YOLOv5 通过三种不同尺度的检测头分别处理大、中、小物体;检测头共包括三个关键任务:边界框回归、类别预测、置信度预测

https://static001.geekbang.org/infoq/c7/c73192cc0912ac78294c7bc209fddbc9.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

地平线 3D 目标检测 bev_sparse 参考算法 - V2.0

在自动驾驶视觉感知系统中,为了获得环绕车辆范围的感知结果,通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。

https://static001.geekbang.org/infoq/46/4691a3db6fa0167b3af83a95a9cefead.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

深度剖析多任务模型 QAT 策略

为了节省端侧计算资源以及简化部署工作,目前智驾方案中多采用动静态任务融合网络,地平线也释放了 Lidar-Camera 融合多任务 BEVFusion 参考算法。

https://static001.geekbang.org/infoq/55/55bed087880eba861284ee58e5ec104f.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

Transformer 模型在 征程 6 平台上的高效支持

相对于传统 CNN 模型来说,Transformer 模型的最大的一个特点就是灵活性。这个灵活性主要体现在模型中穿插大量的数据重排操作,即 Reshape 和 Transpose。

https://static001.geekbang.org/infoq/4f/4f27505b5c623564f35132b650f148f8.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

智能驾驶中的感知模块介绍

在自动驾驶系统中,感知技术是核心基础之一。感知技术为车辆提供环境信息,使其能够实现对周围环境的理解、分析与决策,从而保证安全性和高效性。通常大家对感知的介绍停留在“眼睛”的作用,但这样的解释太宽泛了例如感知到底是什么?由哪些模块组成?

https://static001.geekbang.org/infoq/2f/2fad9eb0a673742d2314a80b95d9e5e8.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6 相比征程 5 对算子支持扩展的具体案例讲解

本文就以双目深度估计中比较经典的 CGI 算法为例,进行征程 5 和征程 6 算法工具链的编译部署对比。

https://static001.geekbang.org/infoq/24/24b98e0ac125722292160649407071e1.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

地平线轨迹预测 QCNet 参考算法 - V2.0

该示例为参考算法,仅作为在 征程 6 上模型部署的设计参考,非量产算法。

https://static001.geekbang.org/infoq/24/24b98e0ac125722292160649407071e1.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

地平线 3D 目标检测 Bevformer 参考算法 V2.0

BEVFormer 是当前热门的自动驾驶系统中的 3D 视觉感知任务模型。

https://static001.geekbang.org/infoq/78/7831e49c75fc2135e3c5e1709d9f9149.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

DDR 带宽的计算与监控

DDR 带宽(Double Data Rate Bandwidth)是指 DDR 内存在一秒内可以传输的数据量,通常以 GB/s(Gigabytes per second) 为单位。它是衡量内存系统性能的重要指标,直接影响系统的数据吞吐能力。

https://static001.geekbang.org/infoq/17/1770ff27ac62cf5e0e82caa2e6a99281.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

地平线 Vision Mamba:超越 ViT,最具潜力的下一代通用视觉主干网络

本文的工作Vision Mamba[1]发表在ICML 2024。研究的问题是如何设计新型神经网络来实现高效的视觉表示学习。该任务要求神经网络模型能够在处理高分辨率图像时既保持高性能,又具备计算和内存的高效性。

https://static001.geekbang.org/infoq/24/24b98e0ac125722292160649407071e1.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

地平线 LiDAR-Camera 融合多任务 BEVFusion 参考算法 -V1.0

该示例为参考算法,仅作为在 征程 6 上模型部署的设计参考,非量产算法。

https://static001.geekbang.org/infoq/57/57723e6dd77e4ca85c9da730b8e9fc91.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

征程 6X release 版本内核模块安全加载

征程 6X 系统在 release 编译时支持内核模块签名验证,仅加载使用正确密钥进行数字签名的内核模块。

https://static001.geekbang.org/infoq/a2/a267ac213553058c67db461b1e7ae00c.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

YOLOv5 的量化流程及部署方法

本文以基于色选机数据集训练出的YOLOv5n模型为例,介绍如何使用PTQ进行量化编译并使用C++进行全流程的板端部署。

https://static001.geekbang.org/infoq/02/0297b4f5e39814baf08f163d0dc65d44.png?x-oss-process=image%2Fresize%2Cw_416%2Ch_234

火焰图理论简析与 征程 6 上运行实例

软件同学在进行性能分析时,通常需要查看 CPU 耗时,用于了解性能瓶颈在哪里,从而进行针对性的优化。火焰图(Flame Graph)是常用的性能分析工具。

地平线征程6_地平线征程6技术文章_InfoQ写作社区