# 应用程序示例..HobotCV 提供的通过名字去设置对象属性的能力，使得应用程序和底层设备之间不需要共享一个 CV 操作的定义代码，从而做到前后端完全代码解耦。..下面将介绍一个典型的 HobotCV 应用程序的几个步骤。从代码可以看到，应用程序只需要设置 CVOP 的需要的参数即可，而不用关心具体哪个硬件去执行。..- 创建 ICVOP，并设置相应的参数，指令如下：. . ```c++.

### 模块简介.地平线计算硬核能力封装模块，基于 GDC、Stitch、LK等硬件，对应用提供统一的图像cv操作接口，并且支持cv操作和设备的插件式扩展。.### 功能特性.可扩展cv和硬件的软件框架，同时支持多种CV操作与平台。.·硬件可拓展：图像处理硬件可通过插件的方式注册到hobotcv框架。.·CV可拓展：统一cv操作接口。.目前支持的CV操作：.![Description](https

1 前言在编写DSP程序开发自定义算子时，经常需要查看DSP侧的中间结果或者错误信息，以进行调试工作。但是和ARM侧不同，DSP侧的打印信息无法直接显示在终端，因此本文介绍两种方法，指导用户如何查看DSP侧的日志输出。本文基于J5 OE 1.1.68编写，如无意外也会支持其他OE版本，使用的示例代码可参考社区文章《DSP开发快速上手》，这里节选其中的DSP源码add.cc展示，作用为对两个浮点数进

## 0 概述..在自动驾驶感知算法中BEV感知成为热点话题，BEV感知可以弥补2D感知的缺陷构建3D“世界”，更有利于下游任务和特征融合。为响应市场需求，地平线集成了基于bev的纯视觉算法，目前已支持ipm-based 、lss-based、 transformer-based(Geometry-guided Kernel Transformer、detr3d、petr) 的多种bev视觉转换

## 目录..- 1. 精度调优推荐流程.- 2. Calibration阶段的精度调优建议.- 3. QAT量化训练阶段的精度调优建议.- 4. 定点精度的调优建议.- 5. 分析工具使用指南..---..# 1. 精度调优推荐流程..QAT方案从浮点到部署模型包括五个步骤：浮点模型准备、数据校准、量化训练（可选）、定点转换、模型编译。每个阶段都有对应的精度验证及一致性对齐要求（特别是当板端推理

1.概述语义分割是视觉场景理解的一项基本任务，目的是将输入图像中的每个像素分配给特定的类别标签。随着人工智能应用需求的不断增长，语义分割已经成为自动驾驶、医学成像诊断和遥感图像等应用的基本感知组件。最近，学术界提出了许多基于双分支网络（Two-Branch Network，TBN）的新颖且有前景的模型，并实现了速度和精度之间的SOTA均衡。但是，双分支网络直接融合了高分辨率空间细节和低频上下文信息

1. 前言为了保证模型输出的精度，地平线的实例分割参考算法deeplabv3+在部署时，将模型尾部的resize和argmax放在了CPU的后处理代码中进行计算，但是这样也带来了一些问题，比如会占用比较大的CPU资源，尤其是大尺寸特征图的argmax计算。事实上，地平线J5的BPU也是支持resize和argmax算子的，本帖将介绍将resize和argmax计算融入到deeplabv3+模型中进

前言TROS的SDK提供了开发案例，会介绍中间件示例工程的功能、编译及运行方法，以帮助用户快速上手中间件开发。其中，基础示例Basic Sample位于SDK的samples/app_samples/samples_sourcecode/basic_sample目录，该示例会对单个摄像头采集的图像数据做分割和检测。Basic Sample的运行共分为三个阶段：在开发机使用Bolepack工具将pa

前言Communication具有可扩展性，可以集成不同的通信协议，目前支持的协议主要有zmq tcp，zmq ipc，zmq epgm，intra，shared memory，PCIe，Fast-DDS等，此外还支持用于服务发现的hybrid，以及用于复合协议的composite。本教程会对Communication模块的复合协议做具体说明，介绍composite通信协议的组合配置方法，并展示实

前言TROS的communication模块支持服务发现模式，在该模式下，用户不需要在communication.json配置文件中配置具体的participant id信息，并且在创建pub/sub等通信实体时，也不需要添加participant id信息，communication会自动在当前广播域中按照规则进行匹配，具体的匹配规则为：相同domain + 相同topic + 相同通信协议，符

Docker环境部署Docker简介开发者打包应用和依赖包到可移植镜像中，然后发布到任何使用Linux或者Windows操作系统机器上Image:相当于root文件系统。Container:镜像和容器的关系，镜像是静态的定义，容器是镜像运行时的实体。可被创建、启动等Repository：镜像的仓库源环境安装CPU DockerGPU Docker常用命令复制CPU Docker的下载命令，在mob

常见图像格式目标：掌握不同图像之间的区别和联系RGB：每个像素点都会存储红绿蓝三个颜色通道的亮度值（0-255）纯白（255，255，255）纯黑（0，0，0）BGR：只是红绿蓝三个通道排列顺序不同，其他与RGB一样，常用于OpenCV中RGB/BGR每个像素点必须同时存储R,G,B三个通道，不适合做视频图像处理YUV：采用亮度—色度分离，Y为亮度UV为色度，每个通道数值范围为（0-255）只有Y

前言在自动驾驶应用中，除了在2D图像中检测目标之外，往往还需要在3D空间中做检测，如汽车、行人、自行车等。雷达通过构建3D空间的点云，可以提供一种精确、高空间维度、高分辨率的数据，弥补3D空间的距离信息。在雷达点云算法中，pointpillars（后文简称PP）和centerpoint（后文简称CP）表现突出，地平线的J5工具链已将这两种算法集成为参考算法供开发者使用，PP针对四维点云数据做单类别

前言对于PP参考算法，导出的模型默认有预处理，如果您需要导出不含预处理的PP模型，可以按照以下步骤修改配置。这里以J5 OE 1.1.62为例介绍修改流程，不同版本可能会有微小区别。Confighorizon_model_train_sample/scripts/configs/detection/pointpillars/pointpillars_kitti_car.py注释deploy_mod

前言TROS的communication模块支持进程间的的通信协议，如zmq ipc（基于zmq的ipc socket通信），也支持跨设备的通信协议，如zmq tcp（基于zmq的tcp socket通信），Fast-DDS（基于eProsima Fast DDS通信）等。本文首先会对TROS手册的communication使用示例做补充说明，基于zmq ipc通信协议，介绍相对简单的使用pub-

## 目录..- 1. 必要步骤速览.- 2. 各步骤详解. . - 2.1 浮点模型准备. - 2.2 数据校准. - 2.3 量化训练. - 2.4 定点转换. - 2.5 模型编译.- 3. 常见问题..---..Pytorch官方提供了两种量化模式：Eager Mode Quantization 和 FX Graph Mode Quantization，这两种模式的区别如下（来

QAT方案中为了将常见的输入预处理放入模型中，提供了专用的前处理算子`centered_yuv2bgr/centered_yuv2rgb`​（依据训练时的数据格式进行选择），具体使用方式可参考[用户手册 RGB888部署章节](https://developer.horizon.cc/api/v1/fileData/horizon_j5_open_explorer_cn_doc/plugin/so

hbdk-model-verifier、hbdk-sim、hbdk-hbm-attach工具使用教程1. hbdk-model-verifier1.1 工具简介hbdk-model-verifier工具是由地平线开发，用于对指定的定点pt模型和hbm部署模型进行结果一致性验证，并输出模型预测执行时间的工具。使用hbdk-model-verifier工具时需要注意以下两个问题：hbdk-model-

1 前言在板端部署的应用程序开发中，经常会遇到多个模型同时运行的场景，此时每个模型都需要使用有限的计算资源完成推理，因而不可避免地会出现计算资源的争夺情况。地平线的板端预测库（libDNN）具有高效的调度策略，通常情况下，无需开发者手动干预即可对多模型推理的场景做出合理的调度，以充分利用硬件资源。但有时，我们会希望某些模型的推理任务具有更高的执行优先级，因此为了更加准确地控制多模型的执行情况，地平

# 0 概述..近年来，计算机视觉领域的发展推动了机器感知系统的快速发展。光流估计是计算机视觉领域的基本问题之一，在自动驾驶和机器人领域中有着广泛的应用。具体来说，光流估计有助于车辆感知周围环境的时间连续性，因此它在基于时间序列的任务中发挥了重要作用，如目标跟踪、语义分割和运动分割等；同时光流估计推动了姿态识别和姿态估计等下游应用的发展，有助于机器人感知交互系统的优化。..光流估计任务为求解连续两