# 1. J6计算平台.- 整理中....# 2. 模型转换与编译.- [天工开物For J6启航新章：量化流程PTQ篇](https://developer.horizon.auto/developerForum?fullPath=/home/community/bbsdetail?bid=600586737896878080).# 3. 模型部署.- [天工开物For J6启航新章：环境篇](

J5 Camera 诊断功能 副本摄像头诊断代码路径hbre/camera/utility/camera_diag/支持诊断有如下类型:默认已集成2种框架：i2c轮询框架 和 errb中断监控框架，用户拿到开发板和底软后可以在地平线已有的诊断框架下根据项目需求添加对应的诊断项。   使用方法： 对于 I2C方式，默认支持，对于err中断方式，需要修改hb_j5dev.json

# 1. 概论：PTQ基础.目前在GPU上训练的模型大部分都是浮点模型，即参数使用的是float类型存储。而地平线BPU架构的计算平台使用的是int8的计算精度（业内计算平台的通用精度），能运行定点量化模型。地平线J6算法工具链（以下简称**工具链**）作为是地平线提供的专业量化工具，是一套完整的边缘计算平台算法落地解决方案，其可以帮助您把浮点模型量化为定点模型，并在地平线计算平台上快速部署自研算

# 1. 引论.该文章是在工具链用户手册基础上整理而成的，是对个人认为的重要内容的提炼和概括。如果读者未浏览过我们的工具链使用手册，亦未使用过我们的算法工具链套件，请先从论坛的产品中心获取我们套件（包含三部分内容：docker镜像为用户提供套件使用的基本运行环境; **OpenExplorer**包提供参考模型和部署示例； **doc**包提供用户使用手册）中的用户使用手册进行学习，待对工具链套件

开发环境搭建：地平线开发者社区 (horizon.cc)1. 镜像文件准备*编译时，为了方便追溯底软版本，可以指定版本信息，只需要在配置文件中对相关环境变量赋值即可，如在j6_myproject_defconfig中赋值：export TAG_NAME=Myproject在板端使用如下命令查看：root@hobot:/# cat /etc/version.xxxxx release 2024042

镜像烧写：地平线开发者社区 (horizon.cc)0. Ubuntu22.04（Virtual Box）环境搭建：1. 准备VirtualBox官网地址如下：https://www.virtualbox.org/Ubuntu地址下载：https://blog.csdn.net/Li060703/article/details/106075597*Ubuntu版本需不小于22.04，本文档Ubun

控制器：J5问题定位：板端部署通过实例\horizon_j5_open_explorer_v1.1.68-py38_20231014\ddk\samples\ai_toolchain\horizon_model_convert_sample\04_detection\03_yolov5x转换的yolov5x_672x672_nv12.bin模型，板端部署，推理出来的预测框分值为nan我用pytho

# 1. 仿真概述.## 1.1 什么仿真？.仿真是使用其它相似的系统来**模仿**真实的需要研究或使用的系统，其所遵循的基本原则是相似性原理。仿真从框架上涉及到两个系统：1) **被仿的系统**：需要研究或使用的系统；2）**仿真出来的系统**：在用户侧视角与被仿的系统有一定相似性。.注意：这里的系统是个抽象的概念，可以是软件，也可以是硬件，还可以是复杂的综合事件。**在J6开发平台中，仿真的对

智能驾驶系列课程问题与反馈交流学习，内容敬请期待

一、CMakeLists.txt基本语法语法格式:指令(参数1 参数2...)1，参数间用空格或分号隔开。2，指令大小写无关，参数和变量大小写相关。3，变量用${}方式取值，但在if语句中直接用变量名。二、CMakeLists.txt重要指令1，cmake_minimum_required ：指定CMake最小版本要求语法: cmake_minimum_required(VERSION Versi

地平线智能驾驶开发者社区三期培训课件端到端智能驾驶理论与实践专题端到端智能驾驶算法祥解端到端自动驾驶技术的发展及现状

https://wfe98ct7by.feishu.cn/docx/Qn7GdLU65oGIpLx5fuCcUYGWnCb?from=from_copylink

1_J6E 相关性能测试 · 钉钉文档 (dingtalk.com)

https://wfe98ct7by.feishu.cn/docx/YHDvddtgUon1XmxbO8ncZ0fFnsh?openbrd=1&doc_app_id=501&blockId=G4vNdj4SboaMc9xcoWdcLxE3nxh&blockType=whiteboard&blockToken=Ed2WwbFpThqYuwbh7o8cRc5EnLf#G4vNdj4SboaMc9xco

.一. DETR简要介绍.DETR是第一篇将Transformer应用到目标检测方向的算法。DETR是一个经典的Encoder-Decoder结构的算法，它的骨干网络是一个卷积网络，Encoder和Decoder则是两个基于Transformer的结构。DETR的输出层则是一个MLP。.它使用了一个基于二部图匹配（bipartite matching）的损失函数，这个二部图是基于ground tr

基于vscode调试地平线J5工具链代码教程.一. 准备J5工具链代码和环境.1. 下载代码.这里是代码下载路径：https://developer.horizon.cc/forumDetail/118363912788935318.2. 代码运行环境（本文档以docker环境做介绍）.解压下载的代码包，并进入代码工程：..![Description](https://prod-dc-resour

## 【笔记】模型转换yaml文件的配置..在模型转换过程中，使用的yaml配置文件中的参数可分为四个模块，具体如下表中所示。..| 模型转化相关的参数 | 模型输入相关参数 | 模型量化相关参数 | 编译器相关参数 |.| ------------------ | ---------------- | ---------------------- | -----------

1. 引言 在 3D 标注场景中，我们经常需要从 2D 图片中找到目标物，对应在 3D 点云中的位置。这可以帮助我们更准确地标注 3D 点云中的物体、场景等信息，从而为后续的 3D 识别、重建等任务提供更多的信息，同时降低标注成本，提高标注准确率和效率。 本文档将介绍如何从 2D 图片中找到在 3D 点云中的位置，包括确定图片在3D点云中的照射范围和在2D图片中找到的像素点在3D点云中的位置

一. Ultra-Fast-Lane-Detection-v2 简要介绍         车道线检测是自动驾驶和高级驾驶辅助系统(ADAS)的基本组成部分，用于识别和定位道路上的车道标记。虽然深度学习模型已经取得了巨大的成功，但仍有一些重要和具有挑战性的问题有待解决。          第一个是效率问题。在实际应用中，由于下游任务对检测速度要求较高，在车辆计算设备有限的情况下，车道检测算法被快速执