0 概述自动驾驶引起了学术界和工业界研究人员的极大关注。为了确保汽车在行驶过程中的安全，自动驾驶系统需要保持汽车沿着道路上的车道线行驶，需要准确感知车道线。因此，车道检测在自动驾驶系统中发挥着重要作用，尤其是在高级驾驶辅助系统中。本文为车道线检测算法GANet的介绍和使用说明。该示例为参考算法，仅作为在J5上模型部署的设计参考，非量产算法1 性能精度指标GANet模型配置：数据集 Input sh

前言DSP是J5芯片上专用于视觉/图像处理的数字信号处理器。在OE包的ddk/samples/vdsp_rpc_sample路径下，提供了DSP使用示例，主要包括nn示例和cv示例。nn示例涵盖了深度学习模型的相关算子，包括量化、反量化和Softmax。cv示例展示了如何调用地平线基于DSP封装的图像处理算子，目前已支持20多个，并且仍在持续扩充当中。从J5芯片算法工具链的1.1.49b版本开始，

0 概述在自动驾驶应用中，除了在2D图像中检测目标之外，还必须在3D空间中检测某些目标的类别，如汽车、行人、自行车等。LiDAR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,可以弥补对3D空间的距离信息。随着深度学习架构的进步逐渐出现了许多基于LiDAR的3D目标检测器。本文在Nuscenes数据集下基于pillar-based的centerpoint算法的介绍和使用说明。

前言： 在我们进行模型后量化的过程中，往往会面临在模型性能和模型精度之间权衡的问题。具体来说，我们希望模型的全部或者绝大多数算子运行在BPU上，以Int8的精度量化，从而使模型在板端部署时有着更快的推理速度，有着更好的性能（例如较低的Latency和较高的FPS）。但是对于少数的模型，算子以Int8的精度量化会累积较多的量化误差，从而使整个模型面临潜在的量化精度损失风险，例如量化后的目标检测模型

背景.目前工具链的客户可能存在模型是fp16训练的（即模型中所有的数据都是fp16的），目前地平线工具链中的PTQ暂时不支持fp16模型（后期可能会新增支持fp16数据流，但是短期内没有相应开发规划）。地平线工具链中的PTQ支持fp32数据流的模型，且fp32可以存下fp16数据.基于以上情况，如果客户遇到模型是fp16训练的，我们当前可以使用以下脚本将fp16模型转为fp32模型，然后再来进行P

1 简介地平线天工开物OpenExplorer工具链中同时提供了2套模型量化方案：..PTQ：Post-training Quantization，训练后量化，指浮点模型训练完成后，基于一些校准数据，直接通过工具进行模型量化的过程，相比QAT，PTQ更简单一些。QAT：Quantization aware training，量化感知训练，指浮点模型训练完成后，在模型中插入伪量化节点再进行量化训练的

?快速获取...主题. 链接....J5 工具链.J5算法工具链OpenExplorer 版本发布 ?J5用户手册中文在线版 ?J5用户手册英文在线版...J5参考算法.地平线参考算法版本发布...XJ3 工具链.XJ3算法工具链OpenExplorer 版本发布?X3用户手册在线版 ?J3用户手册在线版...工具链FAQ.工具链FAQ入口.....1 工具链简介及下载方式1.1 工具链简介及

1 数据排布1.1 数据排布的概念在深度学习框架中，特征图通常以四维数组的形式呈现，这四个维度分别是：批量大小N，特征图通道数C，特征图高度H，特征图宽度W。数据排布（Layout）指的就是这四个维度的排列方式，通常有NHWC和NCHW两种。虽然在人的视角下，NHWC和NCHW都是四维数据，但对于计算机而言，数据的存储是线性的，因此四维的数据会以一维的形式保存， NHWC和NCHW的区别就在于四维

1 简介地平线天工开物OpenExplorer工具链中同时提供了2套模型量化方案：..PTQ：Post-training Quantization，训练后量化，指浮点模型训练完成后，基于一些校准数据，直接通过工具进行模型量化的过程，相比QAT，PTQ更简单一些。QAT：Quantization aware training，量化感知训练，指浮点模型训练完成后，在模型中插入伪量化节点再进行量化训练的

1 简介随着人工智能的发展，深度神经网络在视觉领域“百花齐放”，为了满足不同场景的需求，我们会接触到多种图像数据格式，本文将为大家详细地介绍深度学习场景中常用的图像数据格式：RGB、BGR、YUV(YUV444、NV12)、Gray。.2 RGBRGB是一种常见的彩色图像格式，图像的每一个像素点都会存储红（Red）、绿（Green）、蓝（Blue） 三个颜色通道的亮度值（ 0 ~ 255，UINT

引言Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的 Linux或Windows操作系统的机器上，相互隔离互不干扰。. .为了帮助大家快速开始使用芯片算法工具链，地平线提供了包含完整开发环境的Docker镜像，大大简化了开发环境的部署过程，同时也可避免与本地环境的冲突。大家可先依据后文第一章完成 Docker 安装，再通过第二章

为了帮助用户更加快速地了解精度debug分析的使用方法以及测试流程，我们在此处提供三个测试用例以供用户参考，分别为：MobileVit_s、repvgg_b2_deploy以及mnasnet_1.0_96。其中：针对MobileVit_s的分析流程请参考：https://developer.horizon.ai/forumDetail/146176821770229921针对repvgg_b2_d

为了帮助用户更加快速地了解精度debug分析的使用方法以及测试流程，我们在此处提供三个测试用例以供用户参考，分别为：MobileVit_s、repvgg_b2_deploy以及mnasnet_1.0_96。其中：针对MobileVit_s的分析流程请参考：https://developer.horizon.ai/forumDetail/146176821770229921针对mnasnet_1.0

为了帮助用户更加快速地了解精度debug分析的使用方法以及测试流程，我们在此处提供三个测试用例以供用户参考，分别为：MobileVit_s、repvgg_b2_deploy以及mnasnet_1.0_96。其中：针对repvgg_b2_deploy的分析流程请参考：https://developer.horizon.ai/forumDetail/146176821770229922针对mnasne

0 概述近年来2D目标检测得到了很好的探索，并使自动驾驶等各种应用受益。当自动驾驶汽车需要在道路上平稳安全地行驶时，它必须拥有周围物体的准确3D信息，才能做出安全的决策。因此，3D目标检测在这些机器人应用中变得越来越重要。单目3D目标检测作为一种简单而廉价的部署形式，成为当今一个非常有意义的研究问题，因此，地平线集成了单目3D目标检测算法。本文为fcos3d参考算法的介绍和使用说明。该示例为参考算

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视觉转换方法。其中P

关于地平线启动摄像头认证的通知尊敬的摄像头模组合作伙伴：您好，感谢一路以来对地平线的支持，为规范管理地平线核心周边器件选型，保障地平线镜头合作伙伴有序、健康参与各产品项目，特颁发认证通知如下：1、地平线于2023年4月4日启动J5 前视 X8B 120°+30°摄像头模组的认证2、请于2023年4月10日前，将如下资料发送至官方邮箱certification-IM <certification-I

1. 前言为了让神经网络模型运行在芯片上，地平线提供了两种浮点模型转定点模型的方法，分别为训练后量化（Post Training Quantization，PTQ）和量化感知训练（Quantization Aware Training，QAT）。PTQ 是使用一批校准数据对训练好的模型进行校准, 将训练过的FP32网络直接转换为定点计算的网络，量化过程中只对几个超参数调整就可完成量化， 且过程简单

试一下就知道了~.1 写个网络并导出成onnximport torch.nn as nn.import torch..# ---------------------------------------------------------------------#.# 定义一个简单的单输入网络，地平线要求模型中必须要有Conv/Gemm/MatMul中的一个.# ----------------

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) 的多种bev视觉转换方法。本文为ipm-