hb_verifier是地平线征程6算法工具链中的模型一致性验证工具，用于定位模型在优化、量化或编译过程中引入的误差。支持ONNX、BC、HBM等格式，可进行余弦相似度（逐节点）或输出一致性（最终结果）比较。通过对比不同阶段模型输出，帮助开发者精准定位精度下降源头，尤其适用于PTQ流程中浮点到定点、BC到HBM的验证。建议在真实开发板上运行HBM推理以确保结果可靠性。

融合方式大致分为三类：前融合、中融合、后融合。

本文基于J6M平台，使用hrt_model_exec对YOLOv5x HBM模型进行性能基线测试。通过分析模型输入（双路NV12）、验证随机与真实输入差异（延时差仅0.07%）、区分单线程延时与并行吞吐，发现该模型在单核下最优配置为thread_num=1（低延时）或thread_num=2（接近最大吞吐），超过4线程无提升。强调应先建立模型执行层基线，再排查端到端性能瓶颈，避免误判。

本文详细记录YOLOv8s在地平线征程6M平台的可复现部署流程，采用Raw6六路输出、PTQ INT8量化、NV12输入及CPU后处理方案。通过修改Detect Head导出分离的box与cls分支，实现逐层精度对齐，确保从PyTorch到ONNX再到板端推理的准确性。关键步骤包括环境搭建、模型导出验证、校准量化及板端部署测试，最终实现高精度、低延迟的边缘推理。

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。

由于部署时数据来源的硬件不同以及应用开发的高效性要求，往往会使得在板端部署阶段的数据准备操作与训练时有所差异，导致在同样的输入下，量化模型的输出结果和板端部署模型的输出结果不一致。本文将基于开发者社区中已经发布的地平线 bev 参考算法板端输入数据准备教程，以 bev_mt_lss 参考算法为例，介绍 PC 端和板端输出一致性验证的过程。PC 端输入的获取主要包括输入数据准备、输出节点配置和运行推

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。

BEVFormer 是当前热门的自动驾驶系统中的 3D 视觉感知任务模型。BEVFormer 是一个端到端的框架，BEVFormer 可以直接从原始图像数据生成 BEV 特征，无需依赖于传统的图像处理流程。

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。 1.简介 激光雷达天然地具有深度信息，摄像头可以提供丰富的语义信息，它们是车载视觉感知系统中两个最关键的传感器。但是，如果激光雷达或者摄像头发生故障，则整个感知框架不能做出任何预测，这在根本上限制了实际自动驾驶场景的部署能力。目前主流的感知架构选择在特征层面进行多传感器融合，即中融合，其中比较有代表性的路线就是 BEV 范

YOLOP 是华中科技大学研究团队在 2021 年开源的研究成果，其将目标检测/可行驶区域分割和车道线检测三大视觉任务同时放在一起处理，并且在 Jetson TX2 开发板子上能够达到 23FPS。论文标题：YOLOP You Only Look Once for Panoptic Driving PerceptionYOLOP 的核心亮点就是多任务学习，而各部分都是拿其它领域的成果进行缝合，其网