- 博客(83)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 PyTorch学习
PyTorch学习路径摘要 本文系统介绍了PyTorch的学习路径，分为基础、进阶、高级和专家四个阶段。基础部分涵盖张量操作(torch.Tensor)和神经网络模块(torch.nn.Module)的核心概念；进阶部分包括线性层、优化器和数据加载；高级部分涉及卷积网络和预训练模型；专家阶段则深入自动微分和分布式训练。重点讲解了torch.Tensor的多维数组特性及其数学运算、索引方法，以及torch.nn.Module的初始化、前向传播和参数管理机制。文章还详细解析了torch.nn.Linear类的结
2025-10-20 13:56:01
909
原创 YOLO系列算法
最后，一个后处理步骤，如非极大值抑制（NMS），过滤掉重叠的预测，只保留置信度最高的检测。骨干网络在不同尺度上捕捉层次化的特征，在较早的层中提取低层次的特征（如边缘和纹理），在较深的层中提取高层次的特征（如物体部分和语义信息）。（5）非最大抑制（Non-Maximum Suppression）：在预测的边界框中，可能存在多个相互重叠的框，代表同一个目标。每个边界框由5个主要属性描述：边界框的位置（中心坐标和宽高）和边界框包含的目标的置信度（confidence）。此外，每个边界框还预测目标的类别。
2025-08-04 18:26:30
1859
原创 bevfusion（mit） camera encoder部分代码详解（一）
BEV Fusion通过深度假设将2D图像特征提升到3D空间，实现图像到BEV网格的转换。核心步骤包括：1）使用LSS方法建立视锥空间(H,W,D)；2）基于点云获取像素深度；3）通过相机内外参将特征映射到3D坐标；4）使用voxel pooling将特征投影到BEV网格(200×200)。该方法整合了多传感器数据，通过动态坐标转换和特征融合，实现了跨模态的特征统一表达。整个流程包含图像编码、视锥构建、几何坐标转换和BEV特征池化等关键模块。
2025-07-01 17:29:56
969
3
原创 cuda11.8 bevfusion(mit) mmdetection训练环境搭建
3、numpy 提示就是“AttributeError: module ‘numpy’ has no attribute ‘bool’”。安装完后如果出现问题1，再进行修改。
2025-06-25 17:55:34
475
原创 PointPillars 解读
PointPillars 将3D点云经过**体素化**（Voxel）后形成**一系列的pillars**(理解为各种不同的柱子)。最后将3D点云特征变成经典的2D特征图，在2D特征图上进行3D目标检测首先相比图像特征，点云特征是**离散的**、**稀疏的**、**无序的**、点云**数目是不固定**的。**因此要求不同的输入顺序和个数模型输出应该一致** max-pooling 刚好对无序输入不敏感。其次，将点云Voxel 化后分到不同的pillars 中去，**这样点云的无序输入也转变成了固定位置的
2025-06-18 17:46:43
1269
原创 conda环境中 解决/usr/lib/libstdc++.so.6: version `GLIBCXX_3.4.30’ not found(required by....)
首先使用 strings xxx.so | grep GLIBC_XX 查看当前 .so 是否与GLIBC_xxx后面的version是否对应。给我这个虚拟环境加了一个环境变量，此环境变量目录下有libstdc++.so.6, 这样重启 conda 环境，就不再报错。如果 conda 环境中也找不到GLIBCXX_3.4.30，那就要安装升级 gcc。然后conda环境中的libstdc++.so.6。在列表中可以找到GLIBCXX_3.4.30。在列表中找不到GLIBCXX_3.4.30。
2025-05-26 16:04:59
564
原创 BEVFormer详解
BEVFormer 是将Transformer架构的自注意机制与BEV视图中3D检测结合起来的一种纯视觉目标检测方案。对于纯视觉的BEV检测方案，其中的重中之重就是如何将2D的图像特征映射到3D空间的BEV栅格，既然是映射关系，那就有前行投影和反向查询两种机制。前向投影是基于深度估计的方法，参考基于深度估计的BEV视图转换方法，典型代表为LSS。反向查询方法思路为先将BEV栅格在Z方向上进行lift提升，然后再映射到图像特征图上进行特征查询。BEVFormer 就是基于这种机制进行2D图像特征到3D空间的B
2025-04-02 16:12:37
4220
原创 pytorch中常用语法
permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度，permute是transpose的进阶版。X = torch.stack((xs, ys, zs), -1) #-1 表示在最后一个维度上进行堆叠 ，会多出一个维度。于在张量的指定位置插入一个大小为 1 的维度（即扩展维度)，具体看None 的位置。于在张量的指定位置插入一个大小为 1 的维度（即扩展维度)，与None用法相同。不改变张量的数据，只是增加一个维度。的情况下为数组赋予新形状。
2025-03-28 14:07:42
498
原创 Multiscale deformable attention
deformable attention 灵感来源可变形卷积，先来看看什么是可变形卷积DCN?DCN 论文地址大概就像图中所示，传统的CNN 卷积核是固定的，假设为N = 3 x3，所以邻域9个采样点位置就是固定的。可变形卷积目的就是动态生成这9个采样位置。首先特征图经过卷积层，这个和传统CNN没区别，然后生成与特征图一样大小的位置偏移网络，channel = N * 2，表示在原有9个固定采样点上的x, y 偏移。得到偏移量后再回到原始特征图上进行插值采样，进行采样点卷积，得到当前特征点的输出值
2025-03-13 13:56:48
2278
1
原创 视觉Transformer (deformable DETR)
标准卷积选择周围n * n固定区域计算，可变形卷积在标准区域位置上增加偏移offset(offset 通过学习得到)，这样卷积核在训练中可以有很大范围扩展。前面在介绍DETR时提到，DETR在小目标检测上不友好，而且DETR由于是在特征图上进行全局的self-attention 所以计算量很大，十分耗时间。：由于对参考点引入了offset，将参考点与偏移量相加作为边界框预测，降低优化难度。2、每个特征图上采样K个点。可以看到，每个query在每个头部中采样K个位置，只需和这些位置的特征交互。
2025-03-07 01:26:54
1276
原创 视觉Transformer（DETR）
CNN backbone 输出特征图展平 : （B，L ，hidden_dim），B为batchsize, L = H*W 特征图大小，hidden_dim特征向量维度。2、将Q,K,V 送入第一个multihead attention 模块，得到第一个多头输出，shape = （B，num_queries ，hidden_dim）分类全连接：（B, N, num_queries,hidden_dim） -> （B, N, num_queries,，而且是一个可学习的。
2025-03-06 00:06:51
1313
原创 自动驾驶中基于深度估计的BEV视图转换方法
是自动驾驶BEV中核心。其目的就是在BEV 3D空间中的特征如何精准的对应到2D图像的特征上。例如BEV空间中的格子对应的是一个行人，那么希望这个格子所获得的特征就是图像中的2D行人特征，而不是来自其他地方。
2025-02-27 00:36:24
987
原创 自动驾驶之BEVDet
**视图转换是BEV的核心。目的就是如何从图像空间中提取BEV空间所需要的特征。**假如某个BEV格子所对应空间有个锥桶，那么这个格子里填充的一定是用来描述这个锥桶的特征值，而不是远方天空或红绿灯的特征值
2025-02-26 23:26:13
634
原创 自动驾驶之BEV概述
（mean Average Precision）是目标检测中常用的性能指标，它对Precision-Recall（P-R）曲线进行采样，计算每个类别出平均的Precision。有的方法则是针对具体的任务，比如3D物体检测，直接生成稀疏的BEV视图下的感知结果，比如DETR3D和PETR。自动驾驶需要目标在3D空间的位置信息，传统检测为2D图像上检测目标然后IPM投影到3D。输出：BEV视图下的各种感知结果，比如物体，道路，车道线，语义栅格等。与mAP相比，NDS可以更全面的评价3D目标检测算法的优劣。
2025-02-20 00:18:13
1276
原创 Transformer理解
Transformer 最早用于NLP中，它最大的特点就是,使得在处理中表现突出。我们先看一个完整的Transformer 结构框架：Nx 表示有N 个encoder，N个decoder。由多个encoder 和 decoder 堆叠而成。
2025-01-21 11:24:09
681
原创 QAT int8量化（yolov7）
QAT 量化训练是在PTQ 量化后进行微调的过程。相比PTQ 量化，QAT 量化训练多了一个微调后的训练步骤，允许QDQ中的模型scale 和 zero-point发生改变。QAT 量化训练的基本步骤为：先用 yolov7 训练出一个模型 yolov7_last.pt。1、给模型插入QDQ节点自动插入使用 quant_modules.initialize() 自动插入量化节点手动插入使用 quant_modules.initialize() 初始化量化操作或使用 QuantDescriptor()
2025-01-08 19:07:39
625
原创 PTQ int8量化（yolov7)
使用 quant_modules.initialize() 初始化量化操作或使用 QuantDescriptor() 自定义初始化量化操作。根据统计信息，计算动态范围range和scale，保存在QDQ节点中。1、给模型喂数据，收集每个层的输入输出信息。编写代码为模型插入量化节点。
2025-01-07 14:39:30
713
原创 CUDA各种内存和使用方法
例如：blockSize = 128，一个SM有2048个线程，那么一个SM能同时处理16个block。如果SM有96K的共享内存，每个block则分配96 / 16 = 6K，太大其他block无法获得使用。每个SM的共享内存数量是一定的，也就是说，如果在单个线程块中分配过度的共享内存，将会限制活跃线程束的数量；合适分配单个线程块的共享内存，使得SM的使用率最大化，起到加速的作用。特点：存储只读数据，访问速度快，广播式访问。使用：存储线程块中的共享数据，加速线程间的数据处理。使用：频繁访问的常量数据，
2024-12-26 22:18:43
1407
原创 Pytorch自定义算子反向传播
线性函数YXWTBYXWTB定义输入M 个X变量，输出N个Y变量的线性方程组。XXX为一个 1 x M 矩阵，WWW为 N x M 矩阵,BBB为 1xN 矩阵，根据公式，输出YYY为1xN 矩阵。其中 W 和 B 为算子权重参数，保存在模型中。在训练时刻，模型输入XiX_iXi, 和监督值YiY_iYi，根据 算子forward（）计算的YipY_{ip}Yip，计算Loss = criterion(YiY_iYi。
2024-11-21 16:11:21
1243
1
原创 pytorch自定义算子导出onnx
1、没有现成可用的算子，需要根据自己的接口重写。2、现有的算子接口不兼容，需要在原有的算子上进行封装。继承类，实现其forward()和backward()方法,就可以成为一个pytorch自定义算子。就可以在模型训练推理中完成前向推理和反向传播。forward() 函数的第一个参数必须是ctx, 后面是输出。在工程部署上，一般为了加快计算，自定义算子需要用cuda 实现forward()、backward（）kernel 函数。实现其symbolic 静态方法。
2024-11-20 16:33:13
1734
6
原创 onnx自定义算子转tensorrt 推理
1、自定义算子类继承类，实现forward()和backward()方法，这样就变成一个可导函数可以在pytorch 模型网络中调用。如果只做推理可以不用实现backward。2、实现symbolic静态方法，这样在调用torch.onnx.export()时就能根据symbolic定义的规则，将自定义算子类转换成onnx 算子。说明：symbolic是符号函数，通常在其内部**返回一个g.op()**对象。
2024-11-19 12:06:54
1120
原创 YoloV8-seg 模型tensort推理解析
YOLOV8 实例分割输出两个output, 一个用于实例bbox检测， 另一个用于分割，两者相结合提取实例分割目标结果。
2024-11-18 10:51:56
621
原创 tensort转模型实例(一)
1、通过 解析ONNX 文件创建网络后生成engine文件，这种方式通常是所有算子都被tensort API 支持。2、通过tensort API plugin构建网络。这种方式比较灵活，适合支持自定义算子等等。4、搭建网络：方式一，解析onnx；方式二， plugin 搭建网络。6、序列化到engine模型文件。之前可以设置动态输入之类的。2、使用builder 创建 config。1、创建builder，依赖logger。
2024-10-31 14:31:31
332
原创 ubuntu20.04 上 opencv4 源码编译安装
下载：1、opencv 4.92、opencv_contrilb 4.xsudo apt install -y cmake makesudo apt install -y build-essentialsudo apt install -y libgtk2.0-devsudo apt install -y libavcodec-devsudo apt install -y libavformat-devsudo apt install -y libjpeg-devsudo apt insta
2024-10-12 13:53:44
1025
原创 从BEVPool 到 BEVPool V2
bevpool 是将图像2D 特征经过内外参转换后映射到3D 空间。在LSS 中：输入： 图像特征（NxHxWxC）, 深度得分（NxDxHxW）根据内外参构建三维视锥体素索引（NxDxHxW）, 根据体素索引计算得到的三维坐标进行映射。把对应深度的图像特征映射到BEV 空间中。对多个图像特征映射到同一个BEV单元的累计求和。
2024-07-17 19:26:35
2102
原创 CMakeLists.txt 中加入 cuda tensorrt opencv编译
【代码】CMakeLists.txt 中加入 cuda tensorrt opencv编译。
2024-07-10 22:45:01
536
转载 显卡对应的算力表
显卡对应算力。GeForce RTX 3070, 3080, 3090ARCH= -gencode arch=compute_86,code=[sm_86,compute_86]
2024-05-01 23:09:49
5730
原创 ubuntu 安装显卡驱动黑屏，自带屏幕和外接屏只能使用一个
例如我的是DELL， 开机F2 进入，在display 那里设置将。1、ubuntu 系统，自带的屏幕和外接显示屏幕只能使用一个。以上说明设备有冲突，与驱动无关，应该到 bios 下设置。安装显卡驱动后，nvidia-smi 驱动显示正常。则自带屏正常使用，外接屏无法识别。
2024-01-04 20:01:21
1443
原创 linux内存空间深度清理
可以看到 .cache .config .ros 占用大量空间。2、清理vscode 在.config中缓存。1、删除.cache 文件夹。
2023-11-17 19:03:58
783
原创 鱼眼图像去畸变python / c++
本文假设去畸变后的图像与原图大小一样大。由于去畸变后的图像符合针孔投影模型，因此不同的去畸变焦距得到不同的视场大小，且物体的分辨率也不同。可以见上图，当焦距缩小为一半时，相同大小的图像（横向投影距离一样长），对应的视场角不同。所以为了扩大视野，需要缩小焦距，
2023-10-25 20:28:20
1842
原创 CUDA共享内存详解
对于CUDA，一个grid 有多个Block 块，一个block块多个线程。共享内存只是Block 块内的线程共享，不同Block块之间的共享内存是不会共享的。shared。
2023-06-19 13:04:46
1667
verilog数字钟,功能齐全
2014-04-23
verilog数字钟源代码
2014-04-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人