三種 Badcase 精度驗證方案詳解與 hbm_infer 部署實錄詳情 - 自動駕駛,算法地平線智駕開發者動態日志

動態

詳情

返回

三種 Badcase 精度驗證方案詳解與 hbm_infer 部署實錄 - 動態詳情

12:57 下午 · 11月 03 ,2025

在模型結構優化與部署量化過程中，開發者往往會遇到一個關鍵任務：基於歷史 Badcase 數據驗證模型精度變化，確保模型修改不會引入明顯性能退化。這類驗證常見於感知、預測、行為識別等任務，尤其在客户交付或精度迴歸過程中十分關鍵。

但實際場景中，Badcase 的來源和管理非常複雜：

數據常常分散在客户服務器；
有些數據是動態生成、無法導出；
板端資源有限，難以長期駐留模型或數據。

為此，地平線工具鏈圍繞量化後的模型，提供了三種可選的精度驗證方案，分別適配不同類型的項目需求。

一、三種 Badcase 精度驗證方案

1.1 方案一：仿真推理（Simulate Inference）

使用量化過程生成的與 hbm 等效的 .bc 模型，在服務端模擬 BPU 行為進行推理，無需依賴硬件設備。

優點：
- 無需開發板，部署輕量；
- 適合多模型結構快速迭代驗證；
缺點：
- 本地仿真推理因為缺少了專用板端硬件參與，速度相對較差。

適用場景：早期算法開發、模型結構調整的初步驗證。

1.2 方案二：本地數據，遠程推理（`hbm_infer` 協同執行）

基於 hbm_infer 模塊，服務端將輸入數據通過 RPC 接口發送至板端，調用 HBM 模型進行真實硬件推理，結果再返回服務端進行分析。

優點：
- 數據留在服務端，可動態調度；
- 使用板端硬件推理，速度較快，且度評估基於真實 BPU，結果可靠；
缺點：
- 網絡帶寬影響推理效率；
- 需依賴板端資源；

適用場景：Badcase 動態生成、服務端數據不便遷移、對驗證速度存在較大需求、真實精度驗證。

1.3 方案三：板端本地驗證（純離線推理）

通過 NFS 或本地掛載方式將全部數據傳輸到板端，在板端離線完成所有推理與驗證工作。

優點：
- 推理速度最快，完全無網絡瓶頸；
- 精度結果與部署完全一致；
缺點：
- 需預先準備所有測試數據；
- 動態輸入或在線調試能力較弱
- 重度需依賴板端資源；

適用場景：靜態 Badcase 精度評估、大規模離線驗證、交付測試。

二、三方案對比一覽

三、為什麼重點介紹方案二？

儘管三種方案各有應用空間，在目前發佈的 OE 包與官方示例中，對方案一/三已有説明與案例，而方案二雖然支持面廣、功能強大，卻缺少系統化教程，另外方案二 hbm_infer 是目前唯一能同時滿足以下需求的解決方案：

數據無需遷移：Badcase 可在服務器本地組織；
推理結果真實可信：完全基於硬件板端執行；
部署過程存在一定複雜度：但可高度自動化，適合通用集成；

本文將聚焦方案二的 hbm_infer 使用流程，提供完整、可運行的代碼模板，幫助你快速構建服務端 + 板端協同驗證框架。

四、 `hbm_infer` 使用指南（方案二）

4.1 安裝依賴

# 安裝核心組件
1. hbm_infer的使用依賴算法工具發佈的docker環境，因此在使用hbm_infer前需要先構建後DOCKER環境，然後在容器中安裝hbm_infer組件
2. 在NDA支持下獲取hbm_infer python安裝包，進入docker環境後使用pip install 安裝後使用

4.2 常規模式示例：開發調試推薦

import torch
import time
from hbm_infer.hbm_rpc_session import HbmRpcSession

def test_hbm_infer():
    hbm_model = HbmRpcSession(
        host="192.168.1.100",  # 板端 IP
        local_hbm_path="./model.hbm"
    )
    hbm_model.show_input_output_info()

    data = {
        "input_0_y": torch.randint(0, 256, (1, 512, 960, 1), dtype=torch.uint8),
        "input_0_uv": torch.randint(0, 256, (1, 256, 480, 2), dtype=torch.uint8),
    }

    begin = time.time()
    for _ in range(10):
        outputs = hbm_model(data)
        print({k: v.shape for k, v in outputs.items()})

    print(f"Avg time: {round((time.time()-begin)*1000 / 10, 2)} ms")
    hbm_model.close_server()

if __name__ == "__main__":
    test_hbm_infer()

4.3 Flexible 模式示例：多線程/多模型推薦

from hbm_infer.hbm_rpc_session_flexible import (
    HbmRpcSession, init_server, deinit_server, init_hbm, deinit_hbm
)
import torch, time

def test_flexible():
    server = init_server(host="192.168.1.100")
    handle = init_hbm(hbm_rpc_server=server, local_hbm_path="./model.hbm")

    hbm_model = HbmRpcSession(hbm_rpc_server=server, hbm_handle=handle)

    data = {
        "input_0_y": torch.randint(0, 256, (1, 512, 960, 1), dtype=torch.uint8),
        "input_0_uv": torch.randint(0, 256, (1, 256, 480, 2), dtype=torch.uint8),
    }

    begin = time.time()
    for _ in range(10):
        outputs = hbm_model(data)
        print({k: v.shape for k, v in outputs.items()})

    print(f"Avg time: {round((time.time()-begin)*1000 / 10, 2)} ms")

    hbm_model.close_server()
    deinit_hbm(handle)
    deinit_server(server)

if __name__ == "__main__":
    test_flexible()