登录社区云,与社区用户共同成长
邀请您加入社区
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。
征程 6 算法工具链使用过程中,会存在算法侧与软件侧的交接,偶尔会遇到,需要自证清白的情况,
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。
图像噪声(image noise)是[图像](https://zh.wikipedia.org/wiki/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。
通过出错通路的 buffer 状态可知,PYM1 的输出 buffer 都在 USED 队列,说明底层 buffer 都被用户层拿走了,进而导致用户获取帧失败,需要用户查看自己的持有帧逻辑和归还逻辑;
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;