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-

前言从J5工具链的1.1.33版本开始，板端工具hrt_model_exec新增了两个参数，分别是dump_intermediate和hybrid_dequantize_process：前者用于dump模型每层的输入输出，是否dump BPU子图内部的输出取决于模型编译时的yaml参数设置；后者用于将模型的int输出反量化成float保存，若输出已经是float则直接保存。.dump_interm

1. J5 预留一个DVP接口，主要用于哪些场景？

1 背景介绍使用深度学习开源框架训练完网络模型后，在部署之前通常需要进行格式转换，地平线工具链模型转换目前支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle、TensorFlo

1 背景介绍使用深度学习开源框架训练完网络模型后，在部署之前通常需要进行格式转换，地平线工具链模型转换目前支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle、TensorFlo

1 背景介绍使用深度学习开源框架Pytorch训练完网络模型后，在部署之前通常需要进行格式转换，例如地平线工具链模型转换目前仅支持Caffe1.0和ONNX(opset_version=10/11 且 ir_version≤7)两种。ONNX(Open Neural Network Exchange)格式是一种常用的开源神经网络格式，被较多推理引擎支持，例如Pytorch、PaddlePaddle

.作者：杨志刚原文链接：https://mp.weixin.qq.com/s/WGgB69WhPmNpZJq2ViG6cg..摘要 SwinT是目前视觉transformer模型中的典型代表，在常见视觉任务，如分类、检测、分割都有非常出色的表现。虽然在相同计算量的模型指标上，SwinT已经可以和传统CNN为基础的视觉模型相媲美，但是SwinT面向不同平台的硬件离线部署仍然存在很多问题。本文以Swi

求已在J3上已配置驱动的带转轴的MIPI摄像头推荐。