地平线征程6
0 人感兴趣 · 43 次引用
- 最新
- 推荐


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。


【智驾中的大模型 -3】VLA 在自动驾驶中的应用
在上一篇文章中,我们深入探讨了 VLM 模型在自动驾驶中的应用。今天,我们就来全面介绍一下 VLA 模型在自动驾驶中的具体应用。

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。

【智驾中的大模型 -2】VLM 在自动驾驶中的应用
随着端到端 AI 和多模态学习的迅猛发展,VLM(视觉-语言模型)在自动驾驶领域中的应用正逐渐成为一个备受瞩目的重要研究方向。


【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。



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。



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

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。

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。

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。

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。

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。

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

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

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。