上一页 1 ··· 5 6 7 8 9 10 11 12 13 ··· 15 下一页
摘要: 1.性能测试方法原理 CAMSYS 其性能指标主要包括:帧率、延迟,以及系统的 DDR 带宽、CPU 占用率等。 对于帧率、延迟,通过在驱动中创建 trace event,分别记录通路上的每个 IP,每帧开始处理(frame_start)和结束处理(frame_end)的时间戳信息和帧信息,来实现帧 阅读全文
posted @ 2025-03-22 21:13 地平线智能驾驶开发者 阅读(89) 评论(0) 推荐(0)
摘要: 1.如何理解 VP VP,全称 Vision Process,指 UCP 中的视觉处理功能模块。 Backends,指 UCP 框架中的可分配处理单元。 VP 模块主要用于模型的前后处理环节,在地平线统一架构中,多种硬件均已搭载了图像处理的算子,而 VP 模块将图像处理相关的硬件调用进行了封装, 通 阅读全文
posted @ 2025-03-22 20:41 地平线智能驾驶开发者 阅读(152) 评论(0) 推荐(0)
摘要: 说明:该文档以征程 6上使用的Q8 DSP安装为例,同样的步骤在征程 5 上使用方法类似只是征程 6使用的DSP为VP6 1.获取所需文件 在配置征程 6的DSP开发环境前,您需要获取以下文件: 标准工具链发布包部分(请联系地平线项目对接人获取) OpenExplorer算法工具链Docker镜像 阅读全文
posted @ 2025-03-14 12:47 地平线智能驾驶开发者 阅读(340) 评论(0) 推荐(1)
摘要: 1.引论:写在前面的 性能评估和精度评估在模型开发和部署过程中是至关重要的两个部分。对于精度评估,地平线算法工具链提供了两中路径进行算法的精度评估。一条为服务器端精度评估,该路径通过 PYTHON 脚本使用 PYTHON 推理接口进行板端推理仿真,运行。BC 或 quantized.onnx 量化量 阅读全文
posted @ 2025-03-11 13:13 地平线智能驾驶开发者 阅读(109) 评论(0) 推荐(0)
摘要: 1.引言 在上一篇帖子中,我们已详尽阐述了 BEVPoolV2 相较于 BEVPoolV1 的改进之处,并对 BEVPoolV2 实现的代码进行了解析。想必大家对 BEVPoolV2 算子的功能及实现已有了一定程度的理解,此篇帖子将展示 征程 6 工具链 BEVPoolV2 单算子 QAT 链路的实 阅读全文
posted @ 2025-03-10 20:28 地平线智能驾驶开发者 阅读(181) 评论(0) 推荐(0)
摘要: 1.引言 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。 在这样的背景下,本文首先会对 阅读全文
posted @ 2025-03-10 19:50 地平线智能驾驶开发者 阅读(295) 评论(0) 推荐(0)
摘要: 前言 DeepSeek 是一款基于人工智能的搜索引擎,旨在提升用户的搜索体验。它利用先进的自然语言处理技术,通过理解查询的上下文和意图,为用户提供更精确、相关的搜索结果。与传统的搜索引擎不同,DeepSeek 不仅仅依赖于关键词匹配,还能通过深度学习分析用户的需求,呈现更加智能化的搜索结果。此外,D 阅读全文
posted @ 2025-03-03 16:41 地平线智能驾驶开发者 阅读(443) 评论(0) 推荐(0)
摘要: 一,YOLOv10 解析 1.简介 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。此外,YOLO 中各个组件的设计缺乏全面彻底的检查,导致明显的计算冗 阅读全文
posted @ 2025-02-25 21:34 地平线智能驾驶开发者 阅读(320) 评论(0) 推荐(0)
摘要: 技术背景 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;每个检测头都会逐像素地使用三个 Anchor,以帮助算法更准确地预测物体边界。 YOLOv5 阅读全文
posted @ 2025-02-23 17:06 地平线智能驾驶开发者 阅读(286) 评论(0) 推荐(1)
摘要: 该示例为参考算法,仅作为在 征程 6 上模型部署的设计参考,非量产算法 简介 在自动驾驶视觉感知系统中,为了获得环绕车辆范围的感知结果,通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。其中比较有代表性的路线就是这两年很火的 BEV 方法,继 Tesla Op 阅读全文
posted @ 2025-02-23 15:54 地平线智能驾驶开发者 阅读(583) 评论(0) 推荐(0)
上一页 1 ··· 5 6 7 8 9 10 11 12 13 ··· 15 下一页