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

  一、yolov8简要介绍 Yolov8建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。Yolov8具有以下特点：1. 高效性：Yolov8采用了新的骨干网络、新的Ancher-Free检测头和新的损失函数，可在CPU到GPU的多种硬件平台上运行，使得模型在运行速度和准确性方面都表现出色。2. 创新性：Yolov8借鉴了Yolov5、Yolov6、Yolo

《智能驾驶与计算架构》一书系统性地介绍了智能驾驶技术的核心组成部分及其发展。第一章"智能驾驶计算概述"为读者提供了智能驾驶的基础概念和计算需求。接下来的章节深入到智能驾驶的各个方面：第二章详细讨论了"智能驾驶计算架构"，第三章聚焦于"智能驾驶计算芯片"的关键作用， 第四章和第五章分别介绍了"智能驾驶硬件平台"和"智能驾驶软件平台"，构建了智能驾驶系统的物理和逻辑基础。第六章进一步探讨了"智能驾驶

# 使用Yolov5训练手势检测.## 1.手势数据.### 1.1手势数据集介绍.+ hagrid数据集既可以做手的检测任务，还可以做手的图像分类任务。该数据集总大小为716GB,包含552992张rgb图像，图像的分辨率1920x1080，总共有18类静态手势，类别如下：.![Description](https://prod-dc-resources.oss-cn-beijing.aliyu

研究意义：Occupancy Network算法可以更好的克服感知任务中存在的长尾问题以及更加准确表达物体的几何形状信息而受到来自工业界和学术界越来越广泛的关注。Occupancy Network算法本质上是一个3D分割任务，通过将想要感知的3D空间划分成固定大小的体素网格，并让算法去预测每个体素网格被占用的概率以及可能包含的目标类别从而实现对全场景的感知。因其是对空间中的所有体素进行分类，所以对

小车踩坑记录⼀、电池 1. 电池放电问题电池不能在无电情况下放置过久，否则可能会导致电池质量问题2. 继电器控制 小电池通过由小无线开关控制的继电器向外输出 12V 。小电池上电后，才能进行各类操作。如果继电器损坏，可以尝试直接进行短接以保证 12V 正常供电。3.电量显示如果大电池的电量显示不够准确，可以通过小屏幕上的电压判断电量。⼆、遥控1. 电量显示:遥控器上显示的电量分别为小电池电量和遥控

最近，我们对地平线公司研发的自动驾驶AI芯片进行了学习和研究，收获颇丰。除了在技术方面的学习之外，它的理念也给我带来了很大的启发。.地平线的AI芯片包括旭日系列和征程系列。下面以征程5为例来讲解其理念。..## 结果导向.征程5芯片不仅拥有比一些其他国产芯片更强大的TOPS处理能力，还非常关注每秒帧数（FPS）处理能力。.对于自动驾驶这种非常强调实时性的应用场景来说，FPS是非常重要的一点。高FP

# 基于地平线AI芯片的电动车进楼入户检测系统..## 项目简介：..2023 年中国电瓶车保有量突破 3.5 亿，已成为群众重要出行工具之一。 为防丢失并方便充电，部分高层用户常将电瓶车骑入电梯运回住宅，带来严 重安全隐患：仅 2022 年前 10 个月电瓶车自燃引发火灾事故约 1.8 万起，同 比增长 27.5%，且在电梯等密闭空间致死率更高，急需通过技术手段实现入 梯预警并及时制止。本项目基

**Understanding the Limitations of Vehicle-Infrastructure Cooperative Perception**..随着多智能体系统在各个领域的快速发展，协作感知作为一种关键技术引起了广泛关注，以提升自主系统的智能水平。然而，面对实际复杂场景时，单一智能体的感知能力往往受到遮挡和感知范围有限等问题的制约。为此，多智能体间的协作感知应运而生，通过合

现有标注方法的局限性在自动驾驶领域，静态地图元素的精确标注是实现高精度环境感知的关键。然而，现有的公共数据集在一致性和准确性方面存在局限，无法满足日益增长的高精度训练数据需求。图一展示了 nuScenes 数据集中的默认高清地图无法在一致性和准确性两个方面提供准确信息的示例。一致性强调了 3D 注释和 2D 图像之间的对应关系。例如，在某些区域，高清地图中提供了车辆和自行车道之间的车道分隔线。同时

ADAS中的关键角色：行人碰撞预警行人碰撞预警系统（Pedestrian Collision Warning，PCW）是ADAS中的关键组成部分，它通过计算行人与车辆的位置和运动状态，评估潜在的危险程度。然而，现有的系统通常依赖激光雷达（LiDAR）和立体摄像头来测量行人-车辆的距离，这在资源受限的环境中难以应用。然而，现有的方法通常依靠一组子任务来协助预测过程，其中包括计算碰撞时间 (Time

FatigueView: A Multi-Camera Video Dataset for Vision-Based Drowsiness Detection引言困倦检测在驾驶员检测系统、智能办公等领域中至关重要。然而，困倦检测所用的传统的数据集虽然有较大成功，但是通常有相机点位不够全面、无法应对现实挑战、相机类型单一、难以精准的发现困倦等问题，使得现有数据集对于实际应用有较强的限制性。Fatig