摘要： 本文系统梳理点云算法从数据本质到工程落地的全链路认知：点云是三维空间的离散几何采样，区别于规则图像，需通过结构化处理（如体素/柱状分桶）转化为可计算的BEV表示。 阅读全文

摘要： BEVFormer基于鸟瞰图，融合时空特征，解决动态场景感知问题，采用空间交叉注意力和时序自注意力，纯视觉方案，无需激光雷达，成为BEV感知标准范式。 阅读全文

摘要： 本文介绍了模型量化技术，旨在降低深度学习模型在资源受限设备上的部署复杂度。从FP32到INT8的转换可减少75%存储并提升推理效率。核心在于通过Scale（和Zero Point）建立浮点与整数空间的映射，实现量化与反量化，同时分析了量化带来的信息损失及后续PTQ、QAT方法的优化空间。 阅读全文

摘要： 模型轻量性衡量框架，包括存储复杂度（参数量、模型大小）和计算复杂度（FLOPs、推理时延），强调四指标从不同角度刻画，缺一不可。 阅读全文

摘要： 一个模型即使在实验室中取得了很高的精度，也不代表它能够顺利落地到真实场景中。工程上真正关心的，不仅是模型“能不能识别”，更包括它“能不能快速识别”“能不能稳定运行”“能不能在有限资源下长期运行”以及“能不能以合理成本部署”。 阅读全文

摘要： X86 推理是指 开发机（X86 CPU/GPU）上针对不同阶段的模型：ONNX模型、Hbir模型和hbm模型，进行相应的推理验证。绝大多数的推理验证不需要实际开发板，但是使用hbm_infer需要"board_ip"来连续开发板。本文是工具链常见的几种推理方式说明。 阅读全文

摘要： HistogramObserver是horizon_plugin_pytorch中一种基于直方图统计的量化Observer。 阅读全文

摘要： 1. 概述 ObserverBase 是 horizon_plugin_pytorch 量化框架中所有 Observer 的抽象基类。它定义了量化校准器的统一接口和核心功能，为各种量化策略（MinMax、MSE、KL 等）提供了基础架构。 2. ABCMeta 深度解析 2.1 Python 元类机 阅读全文

摘要： 本文基于 horizon_plugin_pytorch 量化工具链，详细介绍多输出网络的量化配置策略、HistogramObserver 使用、混合精度设置及校准流程。 1. 模型结构设计 1.1 多输出网络示例 import torch import torch.nn as nn import t 阅读全文

摘要： 一、引言 对于使用地平线 征程 6 各平台的用户而言，QAT 量化感知训练是模型量化部署流程中重要的环节，同时也是量化调优的难点之一。在 QAT 训练过程中，受模型结构、量化配置、训练超参、硬件特性适配等多因素影响，可能出现训练 Loss 不收敛、前向反向过程存在 NAN/INF 异常值、量化精度指 阅读全文