本文介绍了一种自动化获取百度Apollo自动驾驶平台参数解释的方法。针对Trae工具缺乏API接口和手动查询效率低的问题，设计了一个Python脚本，通过模拟人工操作实现参数解释的批量获取。脚本采用图像识别技术定位界面元素，建立"输入-查询-复制-保存"的自动化流程，并通过OpenCV检测按钮状态确保操作准确性。该方法解决了Apollo 9.0版本2000多个参数的手动查询难题

本文介绍了在星图AI算力平台上训练PETRV2-BEV模型的全流程。BEV（鸟瞰图）模型是自动驾驶领域的重要技术，能够将多视角传感器数据转换为统一的俯视图。文章详细讲解了云端训练的优势，包括按需使用GPU资源、预置环境等。操作步骤涵盖：创建算力实例、连接容器环境、准备训练数据、执行模型训练和验证等关键环节，特别介绍了数据预处理、精度测试指标解读以及VisualDL可视化工具的使用技巧。通过云端平台

【代码】RK3588上CPU和GPU算力以及opencv resize的性能对比测试。

本文介绍了基于Qt+Qml客户端和Python服务端的网络通信原型系统。该方案充分利用Qt+Qml的界面优势与Python的后端处理能力，实现了一个典型的客户端-服务器架构。系统支持自动状态更新、多种预设命令、自定义JSON命令及实时响应显示等功能，适用于物联网监控、数据可视化等场景。文章重点解析了QML的数据绑定机制如何实现UI自动更新，并提供了服务端命令处理与客户端交互的代码实现示例。这种组合

架构设计H100 GPU 提供了多种配置，包括 GH100 全尺寸版本、SXM5板型以及PCIe板型。全尺寸GH100包含8个GPCs、72个TPCs和144个SMs，而SXM5和PCIe板型分别拥有132和114个SMs。每个SM配备128个FP32 CUDA核心，全尺寸GH100总计有18432个，SXM5和PCIe版则分别为16896和14592个。张量核心第四代张量核心，每个SM包含4个，

GPU优化方法总结

ThingsBoard是一个开源物联网平台，用于设备管理、数据收集和可视化。本文介绍了从环境搭建到数据可视化的完整实践过程：首先通过Docker快速部署ThingsBoard服务，配置Web管理界面并注册设备；然后安装Python客户端SDK，编写程序模拟设备上报数据（包括位置信息和车辆状态）；最后在ThingsBoard仪表盘中实现数据可视化展示。整个过程涵盖了MQTT通信、设备认证、数据上报和

【代码】RK3588上CPU和GPU算力以及opencv resize的性能对比测试。

本文演示label_studio如何用于yolo模型的半自动标注

近几年国内外头部的AI公司相继发布了自己的大模型REST API服务,一些还支持在线体验。如果用python调用各家的REST API,就可以批量测试不同模型的效果本文整理了主要几个大模型提供商的REST API用法,方便集中查阅。