三種 Badcase 精度驗證方案詳解與 hbm_infer 部署實錄
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
地平線智駕開發者 動態日志
動態
列表
征程 6 | 多任務 不同幀率 部署方案
1.方案描述 推理多任務模型時，可能會有不同任務分支 部署不同幀率的需求，例如 BEV 動態任務 20 幀，靜態任務 10 幀這種情況。 最簡單的方式是編譯兩個模型，分開推理： 模型 1：backbone+neck+ 動態 head 模型 2：backbone+neck+ 靜態 head 此時，重複的公共部分 backbone+neck 會重複佔用內存與存儲，且 backbone+
mul 與 reduce_sum 的優化實例
一、基礎介紹 什麼是 mul 與 reduce\_sum？ mul 通常指元素級乘法（Element-wise Multiplication），它將兩個形狀相同的張量中對應位置的元素相乘，返回一個與原張量形狀相同的新張量。 reduce\_sum 是一種規約操作（Reduction Operation），它沿指定維度對張量的元素求和，從而 “壓縮” 或 “減少” 張量的維度。如果不指定維度，則對所