登录社区云,与社区用户共同成长
邀请您加入社区
征程 6 部署 MapTR 系列模型的优化以及模型端侧的表现
关于高效模型 HENet (HybridEfficient Network)。
Cache 典型应用场景详解
本文将介绍三类关键任务中常见的精度评价指标
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
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。#
本文介绍了智能驾驶感知系统的三大核心任务。动态感知任务采用BEVFormer算法,通过鸟瞰视角和Transformer架构实现运动物体的3D检测与跟踪;静态建图任务使用MapTR算法,直接生成矢量化的道路元素结构;可通行区域感知任务则通过Occupancy Prediction模型预测三维空间的占用状态。三种算法分别针对不同感知需求,构建了完整的自动驾驶环境感知体系。
征程 6X VDSP 调试方法
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
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。这样做的好处是,当用户的数据输入源本身就是 NHWC 的 rgb 图像时,这么做可以避免额外的数据处理操作。