Q1: Send接口crash？两种情况会导致这种问题产生：检查GetOutputPort中port id是否写错proc->GetOutputPort("lidar_data_out")->Send(msg);.检查proc注册时是否与对应的port进行了关联DF_MODULE_REGISTER_HANDLE_MSGS_PROC(. "linda",. MyModule,.

Q1：编译链接communication库时提示fast相关的一些符号未定义需要链接fastdds相关的依赖库。在build.properties中添加com.hobot.native.bole.third-party:fast-dds:2.1.1:zip:true拉取相关的依赖库和头文件。链接communication.so库时，只需要再链接fastrtps库。链接libcommunicatio

地平线bev参考算法的[官方文档](https://developer.horizon.cc/forumDetail/143772473308124163)中介绍了单帧可视化推理脚本infer.py的使用，输入为6V环视图像和homography矩阵，6V环视图像可以从解压的nuscenes数据集中获取，homography矩阵则是需要从nuscenes数据集中获取相机参数信息后经计算获得。..本

## 1. 前言..由于部署时数据来源的硬件不同以及应用开发的高效性要求，往往会使得在板端部署阶段的数据准备操作与训练时有所差异，导致在同样的输入下，量化模型的输出结果和板端部署模型的输出结果不一致。本文将基于开发者社区中已经发布的[地平线bev参考算法板端输入数据准备教程](https://developer.horizon.auto/developerForum?fullPath=/home/

# 1 前言..DSP是J5上的数字信号处理器，专用于处理视觉、图像等信息。在OE包的ddk/samples/vdsp_rpc_sample路径下，提供了DSP使用示例，包括nn和cv两部分。nn示例涵盖了深度学习模型的相关算子，包括量化、反量化、Softmax和雷达点云预处理。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25个，并且仍在持续扩充当中。.在正式阅读前，希望您

# 1 前言..DSP是J5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，包括nn和cv两部分。nn示例涵盖了深度学习模型的相关算子，包括量化、反量化、Softmax和雷达点云预处理。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。.在正式阅读前，希望您已经对

# 前言..使用PTQ后量化的模型量化方案，可以帮助用户非常简单便捷地完成从浮点模型到地平线混合异构模型的转换，模型转换工具会基于用户提供的校准样本对模型进行校准量化并保障模型高效地部署在地平线计算平台上。但是在模型转换的过程中，不可避免地会因为浮点高精度到定点低精度的量化过程而引入精度损失，因此为了帮助用户准确快速地定位模型精度损失的主要原因，地平线工具链提供了一套PTQ精度Debug工具。本文

0.概述自动驾驶场景中会面临不同的遮挡情景，当相机只能观察到车辆的一侧时，通过关键点来确定全车的位置显得尤为重要。深度学习的进展使得通过多个视图检测车辆部件（车轮、前照灯、车门等）变得越来越可靠。Keypoint_EfficientNetb0通过编码器-解码器结构将Heatmap回归到车辆的关键点特征图，可以用于加强城市交通交叉路口的交通分析。本文为关键点检测算法Keypoint_Efficien

0 概述多目标跟踪是在视频序列的每一帧中定位所有的目标并确定它们的移动轨迹的任务。因为每帧中的目标都可能因为环境的变化而被遮挡，而且跟踪器要想进行长期跟踪或者低帧率的跟踪是比较困难的，所以多目标跟踪是极具挑战性的任务。MOTR（Multiple-Object Tracking with Transformer）能够学习建模目标的长时间变化，隐式地进行时间关联。基于Transformer和DETR，

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，可能存在部分节点的数据分布范围较大，使用全Int8量化可能存在较大的精度风险。而解决这一权衡问题的思路也很直观，我们

1 开发板连接方法电脑与开发板的连接方法，共有串口连接、网口连接、远程连接三种。X3J3与J5的连接方法相近，这里以J5EVM开发板为例，并使用MobaXterm软件进行介绍。.1.1 串口连接首先需要准备一根支持数据传输的micro-USB连接线，若您使用的是Windows电脑，还需要安装OE包提供的USB驱动（位于bsp/tools/Windows_USB_Driver）。在驱动安装完成后，将

1.SOM板卡形态特征立讯LS500 uSOM，是立昇智能科技和地平线联合开发的集成了地平线征程®️5芯片外围核心器件的模块化标准量产板卡，板卡上的核心器件均为车规级元件。模组通过260pin DDR SODIMM金手指连接器引出征程®️5的大部分资源，其中pin out为重新定义，模组的机械尺寸长宽为86*69.6mm。理论最大功耗不超过50W,设计推荐工作环境温度为-25℃~85℃，推荐供电电

前言在编写板端部署的C++代码时，很重要的一步是为输入数据做padding，这是为了让输入数据符合BPU的跨距对齐规则，使得BPU的计算更加高效。有关跨距的概念和跨距对齐的详细解读，可以查看社区文章《数据排布与跨距对齐》。图像数据和featuremap数据做padding的方式并不相同，图像数据较为简单，可以调用板端的模型推理库自动进行padding操作，而featuremap数据只能在用户侧编写

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