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

1. 上电之前注意子卡是否插好. 插的时候45度插到底然后下压卡好. 卡好后卡扣是和板子边缘平行的，整体侧边平整，金手指只能看到一点. 下图是子卡插好的样子 2. 第一批板子(104PCS, 主要特征是没有贴二维码)内置固件版本错误，所以收到后需要用串口进入uboot手动操作刷机（比如使用usb刷). 如果使用hbupdate工具，则选择uboot模式刷机. 3. 新版本系统(1.01之后)为了避

本文主要内容包括:1.认识浮点模型转换工具链2.caffe模型转换3.onnx模型转换4.上板测试以及模拟器测试5. 测试mobilenetV2推理速度第一次使用，可直接参考第五步，评估BPU性能Netron工具可以可视化Caffe, Onnx模型, https://github.com/lutzroeder/Netron 注意检查模型输入输出等是否符合预期一，认识浮点模型转换工具链. 详情请阅读

上节课我们介绍了嵌入式代码包的目录结构, 相信大家对我们的代码有了一些初步了解. 这节课我们将对我们的上板过程进行教学, 希望您能够在拿到地平线AI开发板后能够快速上手而设计的. 为保证教程的简单易懂, 该教学过程并不需要过多大量嵌入式代码的开发. 嵌入式代码详细介绍可以参考上一节课的教程贴 (https://developer.horizon.ai/forumDetail/13648810354

上节课我们学习了如何进行模型的训练, 这节课以及下一节课, 我们将会指导大家将训练出来的模型放在我们的ai开发板上面运行, 并亲眼看到实际运行的效果. 这里就需要使用我们为大家提供的嵌入式代码. 因此这一节课, 我将会带领大家熟悉一下我们的嵌入式代码发布包, 希望对大家了解和使用地平线的bpu进行智能应用的开发有所帮助.1. 环境构建1.1 基础说明我们提供了3个发布包，用以帮助用户理解如何使用以

0、引言上一章教程 我们详细讲述了如何利用地平线的量化框架 horizon_plugin_tensorflow 和算法包 horizon_vision_tensorflow 在 Imagenet 数据集上从零开始训出一个精度和浮点模型相近的 vargnetv2 的定点模型。接下来，我们会接着介绍 horizon_vision_tensorflow 中如何利用公开的 tensorflow 以及 ho

0、引言大家好，在前几节课程中，我们学习到了「天工开物」工具链的功能介绍、安装方法以及基础知识点。本节课更偏向实战性质，这主要告诉大家如何使用地平线 AI工具链的量化框架 horizon_plugin_tensorflow 和算法包 horizon_vision_tensorflow 可以在不需要写代码，不需要重新设计网络结构（使用地平线算法包中内置的网络结构）的前提下基于imagenet数据集训

引言随着越来越多的 AI 模型需要被部署到嵌入式设备上 ( 如 AI 智能摄像头，智能车载设备，家用设备等)，AI 计算推理效率已经成为了一个关键问题。使用8位定点量化表示的计算可以大大加速模型的运行速度，同时降低功耗。这点对于无法高效运行浮点计算的移动设备和嵌入式应用非常有用。使用地平线天工开物 AI 工具链，我们提供两种获取定点模型的途径：一、训练使用 AI 工具链进行量化训练，直接得到定点模