ReID算法，全称是“行人再识别（Person Re-Identification）”算法，可应用于智能驾驶或智能机器人陪伴等领域。它的目标是在不同摄像头或不同时间拍摄的多张图像中，准确识别出是否为同一个人。本文以 ReID 中比较有名的 OSNet 模型为例，讲解如何在地平线计算平台量化该模型。..OSNet（Omni-Scale Network）是 行人再识别 任务中非常流行的一种深度学习架构

常用工具介绍.===============..采集/设置系统信息的工具集.-------------------------..获取开发板SOM状态工具.~~~~~~~~~~~~~~~~~~~~~..[LINUX] hrut_somstatus 是用来获取当前开发板SOM状态的工具，包含温度、 cpu频率、bpu状态。..用法：.. hrut_somstatus [-n count

.随着城市车辆保有量的持续攀升，车位紧张、空间狭小成为普遍难题，传统人工泊车常因视野受限、空间压迫或环境复杂而困难重重，尤其在地库、斜车位、窄车位等场景中更是挑战重重。为此，自动化、智能化泊车技术应运而生，其中遥控泊车系统（RPA, Remote Parking Assist）以其“人在车外、车自动泊”的便捷体验，成为智能驾驶技术的重要应用之一。. .遥控泊车功能使驾驶员无需坐在车内，即可通过手机

在[【LLM】LLM中增量解码与模型推理解读](https://developer.horizon.auto/blog/13042)一文中对LLM常见名词进行了介绍，本文会对LLM中评价指标与训练概要进行介绍，本文并未介绍训练实操细节，未来有机会再了解~..# 1. LLM如何停止输出.在看LLM评价指标前，先看看LLM如何停止输出。..大模型常通过以下几种策略控制生成终止：..1. 结束符号（E

在[【LLM】LLM中token简介与bert实操解读](https://developer.horizon.auto/blog/13041)一文中对LLM基础定义进行了介绍，本文会对LLM中增量解码与模型推理进行解读。..# 1. LLM中增量解码定义.增量解码（Incremental Decoding）是指在自回归文本生成过程中，模型每次只计算并生成一个新的 token，并且会利用之前计算得到

# 1. 什么是LLM？.LLM，全称为 Large Language Model（大语言模型），是一种基于神经网络（主要是Transformer结构）的大规模自然语言处理（NLP）模型。其核心能力在于理解、生成、翻译和总结自然语言，已广泛应用于问答系统、机器翻译、对话机器人、代码生成、文本创作等场景中。..LLM的基本任务：给定一段文本，预测接下来的 token（语言片段），也可以理解为：LLM

.之前看到过一个非常有趣的新闻，那就是贴有董明珠海报的公交车经过十字路口时，被“行人闯红灯曝光台”识别到，并误以为董明珠闯红灯了。看似一个茶余饭后闲聊的话题，对于自动驾驶行业来说，其实是一个值得深思的问题。随着自动驾驶技术下沉到消费市场，基于纯视觉的自动驾驶系统就是依托于车载摄像头来识别路况，如果遇到了类似海报上的人，尤其是遇到了与真人大小类似的人物海报，自动驾驶系统将如何理解？...其实在纯视觉

.前言.2025年的GTC大会上，理想汽车的分享了其最新一代的辅助驾驶方案MindVLA（视觉-语言-动作端到端大模型）的相关技术方案，此模型结合了V-Spatial Intelligen、L–Linguistic Intelligence、A-Action Policy这3种先进技术，包含了当时国际上最先进的模型和概念，比如LLM、VLM、VLA、Diffusion model、Reinforc

.最近车企的语言包里面出现了越来越多人工智能术语。再加上窗明几净的卡座，闪烁着程序代码的带鱼曲面屏，和手捧咖啡讨论算法的员工，以及时不时蹦出的VLA，LLM，VLM，模型，算法这些词汇，从外观和氛围上几乎无法区分新势力车企和高科技IT公司。. .经常出现的一个词是Diffusion扩散模型，在多家前沿车企的术语集中频繁出现，比如理想汽车。. ..图理想汽车MindVLA大模型架构图，右上角的mul

.一、前言. .所谓框架，是组成元素和元素组装顺序，这两部分组成。. .另外，框架一词还是有“共性，普适性”的意思。也就是说，只有大家都想到一块去了，基本上大家都认可，才可以称为框架。. .所以读通一个框架，可以起到举一反三的效果，别的框架即使有差异也不会太大。. .本文选取limsim++框架作为基干蓝图，描述最新的端到端自动驾驶仿真框架，特别是结合了chatGPT类大语言模型的仿真框架。. .

# 1. 引言.多模型推理场景中，可能会存在谁先谁后，甚至A模型任务正在运行，但需要被B模型任务抢占的情况。针对这种情况，地平线提供了模型优先级控制策略。..# 2. 优先级与抢占介绍.此功能仅支持在开发板端实现，x86模拟器不支持此功能。..## 2.1 理论简介..J6计算平台BPU硬件本身没有任务抢占功能，对于每一个推理任务，一旦它进到BPU计算后，在该任务执行完之前，会一直占用BPU，其他

I2C 验证.===============..Horizon Robotics.J6X芯片提供了标准的I2C总线，I2C总线控制器通过串行数据线（SDA）和串行时钟线（SCL）在连接到总线的器件间传递信息。..每个器件都有一个唯一的地址，而且都可以作为一个发送器和一个接收器（由器件的功能决定）。..在进行I2C芯片的bringup时，关键点包括以下几个方面:.. 1. 确保I2C设备的基地址

.引言.在进行模型编译和验证的过程中，为了能够更深入地了解模型内部的具体情况以及根据实际需求对模型加以调整，我们常常会有获取模型特定组件属性以及对模型结构进行修改的需求。具体来说，我们可能需要借助 API 来获取 BC/HBM（这里可以理解为模型中特定的模块或者资源）的一系列属性，例如输入输出的名称、量化scale等信息。这些属性对于准确把握模型的输入输出属性以及数据处理方式至关重要。与此同时，我

.📌 前言.随着智能场景的发展，越来越多的智能产品开始走进我们的生活。它们执行任务时需要具备“感知—决策—控制”的闭环能力，其中视觉感知系统承担了关键作用：检测障碍物、识别道路、理解环境。这背后，对高效部署模型提出了更高要求。.在本篇文章中，我将结合近期在地平线J系列平台上的一些思考，分享一个智能小车视觉模型部署的实践概要路径，涵盖：...✅ 场景理解与模型选择；...✅ 工具链 PTQ 流程落

# 1. 简介..模型部署时，常常面临模型精度与执行效率之间的权衡。查表（Look-Up Table, LUT）是一种在推理过程中用空间换时间的技巧，尤其适用于非线性映射函数的加速。本文将介绍如何在地平线平台上通过 SegmentLUT 实现一个自定义查表算子，并对它进行量化与导出。..本文以实现一个 DecInt 模块为例，将输入的 12bit 图像数据（值域为 [0, 4095]），通过自定义

. .前言在PTQ量化时，会遇到int16的conv或matmul精度不足，这是因为bpu限制，只支持input和weight一个int16。本文将讲述在使用地平线PTQ链路基于J6 系列平台进行模型部署时，对conv进行精度调优的相关手段，主要包括以下内容：如何确定是单int16导致的精度不足？如何解决这一问题如何确定是单int16导致的精度不足使用精度debug工具hmct-debugger

# 1. 显/隐式时序.目前，在很多算法模型中，都用到了时序模块，时序主要是指将前一帧的部分输出作为下一帧的输入。本文，根据 是否将时序输入/输出 直接 作为网络模型的输入/输出，把时序划分为“显式时序”（explicit temporal model）和“隐式时序”（implicit temporal model）。..显式时序：.- 模型显式输出当前帧的特征，作为下一帧的输入，形成时间上的依赖

.在模型结构优化与部署量化过程中，开发者往往会遇到一个关键任务：基于历史 Badcase 数据验证模型精度变化，确保模型修改不会引入明显性能退化。这类验证常见于感知、预测、行为识别等任务，尤其在客户交付或精度回归过程中十分关键。.但实际场景中，Badcase 的来源和管理非常复杂：...🧩 数据常常分散在客户服务器；...🌀 有些数据是动态生成、无法导出；...⚠️ 板端资源有限，难以长期驻留

1. https://developer.horizon.auto/blog/563244532615397376. . .2. 如果编译过程中出现glibc库版本冲突的问题，例如：xxx@GLIBC_xxx的未定义符号的错误， 请在编译工程中通过-rpath-link来指定到工具链的aarch64-linux-gnu/lib路径下, 同时在编译工程中加上-lxxx, 例如：-lpthread。.

.在如今智能驾驶席卷汽车行业的背景下，大家对“摄像头”这个词早已耳熟能详。很多宣传中甚至暗示，车载摄像头越多，车辆就越智能。事实上，不只是汽车，摄像头几乎已经渗透进我们生活的各个角落：手机、电脑、小区监控、智能门铃……如今要找一个没有摄像头的场景，反而变得越来越难。. .然而，尽管我们对摄像头如此熟悉，但若问起它的工作原理，恐怕许多人仍会感到陌生。摄像头究竟是如何“看见”世界的？它输出的是什么信号