地平线征程6
0 人感兴趣 · 60 次引用
- 最新
- 推荐
开发者说｜Aux-Think：为什么测试时推理反而让机器人「误入歧途」？
在视觉语言导航 （VLN） 任务中，机器人需要根据自然语言指令在复杂环境中做出实时决策。虽然推理在许多任务中已有广泛应用，但在 VLN 任务中，推理的作用一直未被充分探讨。
地平线走进武汉理工，共建智能驾驶繁荣生态
7月3日，武汉理工大学汽车工程学院与地平线联合启动“智驭未来：智能驾驶技术解析与实践初探”暑期卓越学堂项目。
征程 6E/M｜如何解决量化部署时 mul 与 bool 类型数据交互的问题
本文将重点结合PyTorch的torch.mul（逐元素相乘）以及张量的类型提升（Type Promotion）规则
征程 6EM 常见 QConfig 配置解读与示例
在工具链用户手册《量化感知训练（QAT）-开发指南-QConfig 详解》章节专门介绍了在 J6EM 上 qconfig 是怎么回事，本文将常见配置通过示例方式进行呈现。
智能驾驶感知算法任务简介
智能驾驶感知模块可以根据目标的属性和环境信息，分为三类关键任务：动态感知任务、静态结构感知任务和可通行区域（Freespace）感知任务。本文将结合 BEVFormer、MapTR 和 Occupancy Prediction 三个算法，简单介绍一下他们
征程 6 J6E/M linear 双 int16 量化支持替代方案
当发现使用 plugin 精度 debug 工具定位到是某个 linear 敏感时，示例如下
征程 6 yolov5s-rgb-nhwc 量化指南
在 征程 6 平台，我们可以按照这个方式编译 input_typr_rt 为 rgb，且 layout 为 NHWC 的模型。
C++ 部署的性能优化方法
在编写前后处理函数时，通常会多次用到一些变量，比如模型输入 tensor 的 shape，count 等等，若在每个处理函数中都重复计算一次，会增加部署时的计算量。
征程 6｜YUV 域降噪模块 YNR 简介
图像噪声（image noise）是图像中一种亮度或颜色信息的随机变化（被拍摄物体本身并没有），通常是电子噪声的表现。它一般是由扫描仪或数字相机的传感器和电路产生的，也可能是受胶片颗粒或者理想光电探测器中不可避免的散粒噪声影响产生的。
征程 6 VIO 通路断流分析
自动驾驶场景中，常见的是多路感知通路，在不考虑应用获取释放帧异常操作的前提下，一般出现帧获取异常的情况，主要原因是通路中某段断流的情况，如何去准确的定位，对大部分客户来说，依赖我司的支持；针对这种情况，会列举几种断流日志分析；
征程 6 VIO 通路断流分析
自动驾驶场景中，常见的是多路感知通路，在不考虑应用获取释放帧异常操作的前提下，一般出现帧获取异常的情况，主要原因是通路中某段断流的情况，如何去准确的定位，对大部分客户来说，依赖我司的支持；针对这种情况，会列举几种断流日志分析；
征程 6｜部署模型尾部 conv 输出 type/layout/scale 解读
本文使用 pytorch 框架，以 conv 为例，介绍如何同时满足 conv int32 + NCHW/NHWC 这两种情况。另外，专开一个章节介绍 scale 为 1 的原因。
【征程 6】工具链 VP 示例中 Cmakelists 解读
作为对 C++不那么熟悉的伙伴，可能会好奇：Cmakelists.txt 怎么写？当有多层 Cmakelists.txt 时，他们的调用关系是什么？由于本人是属于对 C++不那么熟悉的同学，下面会从我的视角来介绍这个问题，如果其中有错误或表述不当的地方，欢迎评论指正。
【轻量化】三个经典轻量化网络解读
轻量化网络旨在减少模型参数和计算量，同时保持较高准确率。为了降低设备能耗，提升实时性，轻量化网络结构在嵌入式设备等资源受限环境中广泛应用。
