自动驾驶
8 人感兴趣 · 160 次引用
- 最新
- 推荐
PAI-TurboX： 面向自动驾驶的训练推理加速框架
自动驾驶领域对高效且实时的数据处理能力提出了极高要求。如何优化深度学习模型的训练与推理流程，提升计算资源利用率，缩短模型迭代周期，并在保证精度的同时，实现低延迟、高吞吐量的部署，始终是行业面临的核心挑战。针对这些难题，PAI-TurboX为自动驾驶场
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。
揭秘自动驾驶的"眼睛"——目标检测技术
在当今智能出行的时代，自动驾驶已经不再是遥不可及的科幻场景。作为一名技术从业者和小学生家长，我计划通过一个亲子项目，带领孩子深入探索自动驾驶背后的奇妙技术。本文是项目开始之前的知识准备，将聚焦于自动驾驶系统的"视觉大脑"——目标检测技术。
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 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。
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
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。
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。
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？
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。
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。
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。
