上篇文章简单介绍了如何将pytorch模型转换为onnx格式模型，模型可以通过01_check.sh与03_build.sh检验，这篇文章将介绍使用python对onnx模型推理结果进行后处理，实现可视化结果。模型推理主要调用了mapper中inference.py文件，但目前好像只支持分类与检测任务，做实例分割的话需要重写inference函数。1. main函数：def main():

大家好，我是海盗旗，资深CV工程师（ctrl c + ctrl v），第一次使用国产框架与国产AI芯片（地平线旭日X3）之间实现了全链路开发。本次教程，使用飞桨高阶API训练mobilenet模型，三分钟即可搭建一个网络，进行训练。部署使用地平线的天工开物工具链，模型快速转化上板，极短的时间内可演示demo。欢迎大家一起使用国产化平台进行AI开发与部署！onnx模型是paddle模型与开发板推理部

将mmdetection中的快速实例分割算法yolact转为x3支持的onnx模型安装好最新的mmdetection, mmdet官网有指导教程mmdet提供了yolact算法，需要修改的相关目录如下：Yolact配置文件: configs/yolact/yolact_r50_1x8_coco.py 配置文件中的关注数据处理模块，yolact在推理阶段直接将图片resize到目标尺寸，因此在工具链

请问calibrater中的featuremap类型数据具体是怎么定义的？在开发机上要怎么读取？怎么生成？

工具链1.1.19e。onnx浮点模型转定点耗时分析，从float数据转为定点数据，消耗81ms，而模型真正推理其实只有54ms。从float数据转为定点数据这部分操作是在哪里运行的，猜想应该是下图的HzQuantize操作占用，怎么样才能规避这个问题？name: inputtype: float32[1,512,360,64]模型转换yaml配置：# 模型输入相关参数, 若输入多个节点, 则应使

一. bpu内存以及相关接口 X3开发板中，芯片架构是Bernoulli2，在Bernoulli系列芯片的架构中，BPU和CPU共享同一个memory空间，如下图： 由于BPU需要使用物理空间连续的一块内存，因此runtime库提供专门的接口用来申请bpu内存，该接口返回申请到的memory地址（包括物理地址和虚拟地址），其中bpu虚拟地址可以被CPU直接读写，在后续执行BP

请问能否提类似这样的关键节点和代码中的关键节点数据的对应关系？

一、概念：首先这是两种批量图片的数据存储方式，定义了一批图片在计算机存储空间内的数据存储layout。N表示这批图片的数量，C表示每张图片所包含的通道数，H表示这批图片的像素高度，W表示这批图片的像素宽度。其中C表示的通道数可能有多种情况，例如，RGB图片格式的通道为3通道，R（红色）、G（绿色）、B（蓝色）各占一个通道，表示图片中每个像素点都有三个通道值，每个通道值范围是[0~255]，三个通道

一：简介 ARM NEON 是ARM Cortex-A和Cortex-R系列处理器的一种SIMD指令集的扩展结构。其中SIMD表示单指令多数据指令，与之对应的是SISD，单指令单数据。早期的ARM指令集为通用计算型指令集，指令集都是针对单个数据进行计算，没有并行计算的功能。随着版本的更新，后面逐渐加入了一些复杂的指令以及并行计算的指令。而NEON指令是专门针对大规模的并行运算而设计的。  neon

RGBRGB 是最常用于显示器的色彩空间，R(red)是红色通道，G(green)是绿色，B(blue)是蓝色通道。这三种颜色以不同的量进行叠加，就可以显示出五彩缤纷的色彩。RGB 格式里(0,0,0)代表着黑色，(255,255,255)代表着白色。R channel数值越高，说明颜色中含有的红色分量越多。通常，RGB 格式的图片都是用于计算机屏幕显示。注意: OpenCV(开源计算机视觉库，包

目前在 XJ3 浮点转化工具链中，我们为每一个示例模型都提供了一个 yaml 配置文件。有些初次接触的小伙伴可能对于其中某些配置项并没有很好地理解，从而达不到自己预期的性能或精度指标，甚至直接就踩了坑。下面我将以 efficientnet_lite0 模型为例，分别为大家解读下性能和精度相关的配置参数。【性能相关】1） layer_out_dump该参数服务于 vec_diff 工具（sample

为了加速BPU内存读写。针对BPU读写内存引入了对齐限制规则，主要包括包括起始地址要求，数据对齐等方面：1. 起始地址要求：所有传入BPU的内存，起始地址都要求16字节对齐，内存物理空间必须为连续的。2. 尺寸大小和奇偶限制：BPU原则上不限制模型输入大小或者奇偶，但是对于NV12输入比较特别，是为了满足UV是Y的一半的要求，它要求HW都是偶数。3. Stride对齐要求：即本文所探讨的数据对齐的

1.概述 motmethod为多目标跟踪method，即Multi-object Tracking，用于跟踪视频中的目标，并为目标分配track_id，目前在aiexpress中使用的跟踪策略主要是基于卡尔曼滤波和IOU作为算法基础。本文将对motmethod的算法和实现做相关介绍。2.算法介绍 目前aiexpress的motmethod主要是基于卡尔曼滤波和IOU的跟踪算法，根据目标

在使用X3J3浮点转定点工具链时，偶尔会出现生成的量化上板模型的精度有损失，不符合期望的情况。研发团队根据大量的模型调试和长期的客户精度支持的经验，提供了各种精度优化的方法。在这篇帖子中，我们详细描述了在出现精度问题时，如何进行定位和优化。根据经验，我们将精度损失问题分成两组：1. 精度有较明显损失（损失大于5%）：这种问题往往是由于yaml配置不当，校验数据集不均衡等导致的2. 精度损失较小（1

目前在地平线浮点转换工具链中，提供了十几个模型示例。而其中 mapper 路径下的脚本和代码都是用于推理转换后的量化模型（*_quantized_model.onnx，下文简称 quanti.onnx）的。但有时候我们也有浮点模型（*_original_float_model.onnx，下文简称 float.onnx）推理的需求，可能用于分析 quanti.onnx 单张图片推理的准确性或者在完整

引言     大家好，我是徐国晟，一名复制粘贴界的资深玩家。作为地平线x3开发板首批评测用户，也没什么拿的出来的正儿八经的测评，AI-Express终于发布了，让我们先撒花庆祝一下<花 花 花 花>...话不多说，言归正传，x3开发板入门介绍开始：第一步，点亮系统：1.连线，刷最新的系统。 连线不需要像官网那样弄坏了一个接口，杜邦线反插空间位置足够，图示：2.下载软件

提升量化精度、降低量化损失是量化转换工具的一大关键点，也是一个难点。以下将对我们在实际使用中所遇到的精度问题进行一些说明，提供给大家一些分析思路。以我们的 mobilenet sample（samples/03_classification/01_mobilenet/）为例，我们在运行 sh 03_build.sh 脚本成功转换模型后，会在该路径下生成 model_output 文件夹，保存各阶段

试用了一个多月才想起来写这篇测评，见谅~我记得那是一个晴朗的下午，拿到了之前申请的开发板，心中很是激动。可以看到我激动的无处安放的小手，哈哈哈。可以看到还是很有诚意的，还送了一个带有logo的u盘。整个开箱出来可以看到是这个样子的这个小卡往基础板卡上一插，就可以跟着社区的教程愉快的玩耍了。试用了一个多月，跟着教程也都跑了一遍。不得不说，地平线的这一套教程还是很细致的。中间也出现一些自己的模型转换方

一、背景手势识别是互动娱乐、智能车载等领域中的常用功能之一。AI-Express 2.4.0版本中，结合地平线基于序列的行为识别模型，给出了手势识别参考方案。本教程中您将了解到如何在AI-Express中运行模型和算法策略，构建Workflow，并搭建智能应用。二、方案介绍手势识别solution的整体流程如下。它包含输入，手检测，跟踪，手关键点检测，手势识别，投票，输出这几大部分。手检测运行Fa

1 介绍多路视频分析盒子方案采用地平线X3处理器，支持多达8路视频流分析。根据模型能力配置，可以实现人头、人体、人脸检测，人体骨骼关键点提取，人脸抓拍，人脸识别等多种功能。对于开发者来说，通过替换深度神经网络模型可以快速实现自己定义的功能。2 方案设计图1 多路视频分析盒子整体方案如图1所示，X3多路视频分析盒子与前端图像采集设备如IPC通过网口进行连接。前端采集设备采集实时视频并压缩编码，X3多