
简介
地平线开发者社区旨在连接智能驾驶领域的开发者和对相关技术感兴趣的其他行业开发者、从业者。 我们将为大家提供最前沿的智驾相关技术资讯和丰富的技术活动,营造积极向上的开发者文化与氛围,共同构建智能驾驶的开发者生态体系。
擅长的技术栈
可提供的服务
暂无可提供的服务
开源生成式 AI 工具链 | 自动化构建机器人仿真训练场

在征程6M上部署YOLOv5x后,检测框异常常因后处理配置不当所致。通过拆分输入、模型输出与后处理链路,发现相同HBM输出下,仅调整置信度阈值(0.25→0.90),检测框数量由6个降至1个,说明结果受后处理影响显著。排查建议按三道边界定位:输入数据有效性、模型输出合理性、后处理参数(如NMS、置信度阈值)。避免全量dump中间层,应通过output_nodes精准导出关键节点,高效定位问题。

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

本文围绕 J6 模型部署中 PTQ 与 QAT 两条量化路线的选择展开。文章指出,PTQ 与 QAT 并非简单的“基础版”与“高级版”关系,核心应围绕精度(Accuracy)与性能(Performance)两个目标进行评价。本文详细对比了两者的原理、工程成本与适用场景,并给出实用建议:优先尝试 PTQ,仅在 Activation 高精度仍无法满足精度、PTQ 精度满足但性能不足、固定节点长期敏感等

遇到BPU算子约束报错,无需盲目修改网络。应先定位算子、记录输入维度/类型/参数及阶段,查阅对应平台与版本的约束文档,明确不满足项(如维度、dtype或参数范围)。可采取四类策略:使用等价算子、拆分大操作为受支持小步骤、重构网络表达、或将非核心逻辑移出BPU。修改后需通过浮点、QAT、部署三重验证,确保功能一致与精度达标。关键在于将模型“翻译”为平台可执行形式,而非放弃部署。

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。主流路线包括Point、Voxel与Pillar-based方法,核心差异在于高度信息的建模方式——scatter(隐式)与collapse(显式)直接影响精度。

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。









