1 介绍多路视频分析盒子方案采用地平线X3处理器，支持多达8路视频流分析。根据模型能力配置，可以实现人头、人体、人脸检测，人体骨骼关键点提取，人脸抓拍，人脸识别等多种功能。对于开发者来说，通过替换深度神经网络模型可以快速实现自己定义的功能。2 方案设计图1 多路视频分析盒子整体方案如图1所示，X3多路视频分析盒子与前端图像采集设备如IPC通过网口进行连接。前端采集设备采集实时视频并压缩编码，X3多

1. 上电之前注意子卡是否插好. 插的时候45度插到底然后下压卡好. 卡好后卡扣是和板子边缘平行的，整体侧边平整，金手指只能看到一点. 下图是子卡插好的样子 2. 第一批板子(104PCS, 主要特征是没有贴二维码)内置固件版本错误，所以收到后需要用串口进入uboot手动操作刷机（比如使用usb刷). 如果使用hbupdate工具，则选择uboot模式刷机. 3. 新版本系统(1.01之后)为了避

本文主要内容包括:1.认识浮点模型转换工具链2.caffe模型转换3.onnx模型转换4.上板测试以及模拟器测试5. 测试mobilenetV2推理速度第一次使用，可直接参考第五步，评估BPU性能Netron工具可以可视化Caffe, Onnx模型, https://github.com/lutzroeder/Netron 注意检查模型输入输出等是否符合预期一，认识浮点模型转换工具链. 详情请阅读

上节课我们介绍了嵌入式代码包的目录结构, 相信大家对我们的代码有了一些初步了解. 这节课我们将对我们的上板过程进行教学, 希望您能够在拿到地平线AI开发板后能够快速上手而设计的. 为保证教程的简单易懂, 该教学过程并不需要过多大量嵌入式代码的开发. 嵌入式代码详细介绍可以参考上一节课的教程贴 (https://developer.horizon.ai/forumDetail/13648810354

上节课我们学习了如何进行模型的训练, 这节课以及下一节课, 我们将会指导大家将训练出来的模型放在我们的ai开发板上面运行, 并亲眼看到实际运行的效果. 这里就需要使用我们为大家提供的嵌入式代码. 因此这一节课, 我将会带领大家熟悉一下我们的嵌入式代码发布包, 希望对大家了解和使用地平线的bpu进行智能应用的开发有所帮助.1. 环境构建1.1 基础说明我们提供了3个发布包，用以帮助用户理解如何使用以

0、引言上一章教程 我们详细讲述了如何利用地平线的量化框架 horizon_plugin_tensorflow 和算法包 horizon_vision_tensorflow 在 Imagenet 数据集上从零开始训出一个精度和浮点模型相近的 vargnetv2 的定点模型。接下来，我们会接着介绍 horizon_vision_tensorflow 中如何利用公开的 tensorflow 以及 ho

0、引言大家好，在前几节课程中，我们学习到了「天工开物」工具链的功能介绍、安装方法以及基础知识点。本节课更偏向实战性质，这主要告诉大家如何使用地平线 AI工具链的量化框架 horizon_plugin_tensorflow 和算法包 horizon_vision_tensorflow 可以在不需要写代码，不需要重新设计网络结构（使用地平线算法包中内置的网络结构）的前提下基于imagenet数据集训

引言随着越来越多的 AI 模型需要被部署到嵌入式设备上 ( 如 AI 智能摄像头，智能车载设备，家用设备等)，AI 计算推理效率已经成为了一个关键问题。使用8位定点量化表示的计算可以大大加速模型的运行速度，同时降低功耗。这点对于无法高效运行浮点计算的移动设备和嵌入式应用非常有用。使用地平线天工开物 AI 工具链，我们提供两种获取定点模型的途径：一、训练使用 AI 工具链进行量化训练，直接得到定点模

引言我们在上一节中已经简单介绍了地平线天工开物（Horizon OpenExplorer）AI工具链，相信您对它已经有了初步的认识。为了方便学习后面课程，使用天工开物工具链进行实战开发，还需要做一些准备工作， 本节课将介绍这一部分内容： 环境搭建环境搭建为了简化环境搭建步骤，方便大家使用天工开物（Horizon OpenExplorer）AI工具链，我们提供了docker 镜像内含算法工具包、编译

上一期，我们分享了 HorizonBox - AI 体感游戏机，这个开发案例，详细内容请见：AI 开发，不必从0开始 | 本期案例: HorizonBox - AI 体感游戏机为了更好的让大家了解这个项目，我们在此将我们开发部署的可执行文件上传开放。运行过程相对简单：1) 在 CP（协处理器）端运行可执行代码2) AI 模型便开始根据摄像头不断流入的视频帧进行动作识别3) 并且启动websocke

小编引言提到 AI 产品开发，大家第一时间想到的可能是高深的 AI 算法训练和复杂的工程部署和实现，来自不同厂家的芯片、系统框架、AI 算法之间，常常存在一定的兼容性或效率等问题，导致 AI 产品开发周期长，算法效果不理想，功能调试困难等。在 AI 智能化时代，如何降低 AI 产品的开发门槛，快速让产品落地，有一个好的 “工具“ 的越来越重要。使用地平线的 AI 芯片 + 「天工开物」开发平台，可

在上一期，AI 开发，不必从0开始 | 本期案例: AI 可编程智能小车 中，我们分享了 AI 可编程智能小车，为了更好的让大家了解这个项目，学习 AI 产品开发，我们在此将我们开发教程和代码分享给大家。你是否准备好了，动手实践，那就按照我们的步骤一起来体验吧～一、技术方案介绍BCK （本项目名称）技术链路较长，由于是针对教育市场开发的套件，所以做了很多 SDK 的封装，其目的是在于更加便利的二次

【Horizon Journey 2 Mono （简称“J2 Mono”）】是地平线基于国内首款车规级芯片征程二代 (Journey 2，简称“J2“) 开发的、面向ADAS前装市场的全球领先单目前视感知解决方案，可在低于100毫秒的延迟下有效感知车辆、行人、车道线、交通标识、红绿灯等多种目标。不仅如此，该解决方案还专门针对中国道路和场景进行了优化，从底层赋能更多合作伙伴，为其智能驾驶在全球最大汽

本教程是继对应视频课程的补充部分，主要介绍一个真实的Demo是怎样按照开发范式进行开发的。准备工作硬件环境：96boards开发板一块，并且配置好网络，能够正常使用SSH访问一台电脑，与96boards处于局域网可连接状态，用于连接96boards开发板软件环境：下载需要的部署包和web展示端部署包：xppcp_smart.tar.gz运行步骤解压xppcp_smart.tar.gz其中，Hack

相关代码和文档共16M: 下载地址: https://pan.horizon.ai/index.php/s/mpm8deD2NBrKdYd 演示视屏157M，时长25分钟 下载地址: https://pan.horizon.ai/index.php/s/x8cAnjxpyCaz6Ae 1.1训练任务简介:mnist项目网址: http://yann.lecun.com/exdb/m

小编引言提到 AI 产品开发，大家第一时间想到的可能是高深的 AI 算法训练和复杂的工程部署和实现，来自不同厂家的芯片、系统框架、AI 算法之间，常常存在一定的兼容性或效率等问题，导致 AI 产品开发周期长，算法效果不理想，功能调试困难等。在 AI 智能化时代，如何降低 AI 产品的开发门槛，快速让产品落地，有一个好的 “工具“ 的越来越重要。使用地平线的 AI 芯片 + 「天工开物」开发平台，可

AI开发流程 ——算法部分引言在这个部分，你将会了解到在96board上面你能够实现的算法功能（有：classification (分类)，detection(检测)，segmentation（分割）， instance segmentation，示例如图1），训练能够在96board上面使用的模型需要的步骤（量化训练，模型编译），以及地平线为大家方便实现整个流程提供的工具。图表 1：96boar