登录社区云,与社区用户共同成长
邀请您加入社区
为遵守国家网络实名制规定,未绑定将限制内容发布与互动
本文介绍了YOLOv5x模型在Horizon J6芯片上的板端C++推理部署全流程。主要内容包括:1)板端推理整体流程,重点解决NV12双平面输入格式和输出tensor stride访问问题;2)UCP/DNN API调用流程详解;3)YOLOv5解码与NMS实现方法;4)交叉编译配置技巧;5)板端运行验证与常见问题排查;6)量化模型与浮点模型的mAP精度对比评估。
本文介绍了征程6平台YOLOv5x从PyTorch经ONNX导出、PTQ校准到HBM编译全流程。重点解决NV12输入适配与输出Padding问题,打通工具链部署链路,为板端C++推理与精度评估奠定基础。
BEVDet模型是一种基于鸟瞰图(BEV)特征的3D目标检测方法,其核心架构包含四个处理阶段:图像特征提取、视角转换、BEV特征增强和目标检测。模型通过View Transformer将环视相机图像特征转换为BEV空间表示,利用CUDA加速的voxel pooling操作和优化NMS算法提升性能。代码实现上,从测试入口到特征提取、视角转换(包括坐标系的多次变换)和BEV特征池化,形成完整流程。其中
本文分析了自动驾驶中摄像头与激光雷达的三种融合方案:前融合(数据级)、中融合(特征级)和后融合(目标级)。前融合直接处理原始数据但计算量大;后融合独立处理结果但信息损失多;中融合在BEV空间进行特征融合成为主流方案,以BEVFusion为例详细介绍了其架构,包括相机流、激光雷达流和动态融合模块,展现了跨模态融合的优势。中融合方案因统一数据空间、支持时序信息融合和端到端优化等特点,成为当前最常用的技
本文介绍了地平线工具链在X86平台上的多种模型推理方式,涵盖ONNX、Hbir和hbm三种模型格式。主要内容包括:1)HBRuntime推理库的使用方法,支持ONNX和Hbir模型推理;2)ORTExecutor接口的ONNX模型推理流程;3)hbdk4编译器feed接口的Hbir模型推理;4)hrt_model_exec工具的使用,支持quantized.bc和hbm模型的信息查看与推理;5)U
HistogramObserver是地平线插件中的量化观测器,通过构建直方图统计张量数值分布,支持多种量化参数计算方法(如MSE、KL散度、百分位等)。其核心流程分为直方图收集(动态扩展边界)和量化计算两阶段,优势在于保留完整分布信息、多卡校准一致,但内存占用较高。相比MinMaxObserver(仅记录极值)和MSEObserver(在线搜索),HistogramObserver更灵活且抗离群值
7月19日,由中国下一代教育基金会主办,中国平安、地平线公益支持的青少年科技素养提升计划科技燃梦科普活动——解码智驾芯片黑科技在北京地平线顺利开展。
本文作为前序J6平台QAT精度调优教程的补充,总结地平线J6系列工具链QAT训练环节的各类典型异常问题以及定位解决的流程和思路。
本文介绍了Transformer算法在地平线计算芯片上的性能优化策略。针对Transformer部署中的计算量大、延迟高等问题,提出了6种优化方法:1)优化Softmax计算维度以提高并行度;2)调整输入张量Shape减少BPU硬件对齐耗时;3)优化数据搬运算子(Reshape/Transpose);4)使用QAT封装算子避免显式Transpose;5)用四维算子替代三维算子发挥BPU优势;6)使
摘要: 本文针对AI模型在地平线工具链编译失败的问题,指出核心原因在于ONNX模型中存在自定义算子(Custom Operator)。由于工具链需要静态编译,无法支持自定义算子,这与支持解释执行或插件扩展的运行环境(如ONNXRuntime、TensorRT)存在本质差异。解决方案是通过"torch化"——用标准PyTorch算子组合重写自定义算子逻辑,确保模型能用硬件理解的方式表达。文章详细拆解