<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ring12345677的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ring12345677</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ring12345677]]></copyright><item><title><![CDATA[Linux 主机通过 Wi-Fi 上网，并将网络通过网口共享给交换机下游设备]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/159651563</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/159651563</guid><author>ring12345677</author><pubDate>Mon, 30 Mar 2026 16:59:15 +0800</pubDate><description><![CDATA[本文介绍如何在Linux主机上通过Wi-Fi连接外网，并将网络通过有线网口共享给交换机下游设备。主要步骤包括：确认网络接口名称和地址配置，将有线网口设置为共享模式并分配固定IP(192.168.1.89/24)，开启IPv4转发功能，配置iptables的NAT和转发规则实现流量共享，以及设置下游设备的网络参数。文章还提供了详细的故障排查方法和永久生效配置方案，最后给出回滚到普通有线连接的恢复方法。该方案适用于需要将Wi-Fi网络共享给有线设备的场景，通过路由和NAT转发实现网络共享。]]></description><category></category></item><item><title><![CDATA[autoware-1:安装环境cuda/cudnn/tensorRT库函数的判断]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/157580377</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/157580377</guid><author>ring12345677</author><pubDate>Fri, 06 Feb 2026 21:49:50 +0800</pubDate><description><![CDATA[本文介绍了CUDA、TensorRT等深度学习库的环境安装与验证方法。首先通过ldconfig命令检查CUDA相关库（cudart/cuda/cublas）的安装情况，然后验证TensorRT工具（trtexec）和运行库（nvinfer/nvonnxparser）的可用性。针对cudNN安装提供了apt命令，并给出两种Autoware节点编译方法：使用脚本或手动设置环境变量后编译。最后提供了Windows和Linux两种环境下的Docker配置文件示例，包含GPU支持、资源限制和目录映射等关键配置。]]></description><category></category></item><item><title><![CDATA[从PyTorch `.pth` 导出 ONNX图文件]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/156980190</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/156980190</guid><author>ring12345677</author><pubDate>Thu, 15 Jan 2026 10:21:05 +0800</pubDate><description><![CDATA[本文介绍了将PyTorch模型（.pth）导出为ONNX格式并集成TensorRT插件的工程化流程，重点针对包含CUDA扩展算子的复杂模型（如UniAD/Deformable DETR）。首先澄清.pth文件仅包含权重参数，而ONNX才是可部署的静态计算图。详细讲解了通用导出流程：构建模型、准备输入数据、调用torch.onnx.export()，并强调处理TensorRT插件算子的三种方案，推荐采用自定义ONNX节点+TRT插件的方式。]]></description><category></category></item><item><title><![CDATA[uniad模型详细介绍（一）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/156572446</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/156572446</guid><author>ring12345677</author><pubDate>Mon, 12 Jan 2026 14:15:26 +0800</pubDate><description><![CDATA[摘要（148字）： UniAD模型采用ResNet-50作为图像主干网络（img_backbone），输出第4阶段特征图（2048维），通过FPN进行多尺度特征融合（输出_dim_维度）。模型配置包含关键参数：目标检测IoU阈值、900个查询向量、10类别分类、点云空间范围，并冻结ResNet前1层参数。输入数据维度为[1,5,6,3,256,416]，分别对应批大小、时序帧数、相机数、RGB通道及图像尺寸。特征提取时会reshape为[5,6,3,256,416]处理时空信息，支持视频目标检测与跟踪任务。]]></description><category></category></item><item><title><![CDATA[uniad模型输出参数详细解释]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/156859485</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/156859485</guid><author>ring12345677</author><pubDate>Mon, 12 Jan 2026 14:14:03 +0800</pubDate><description><![CDATA[nuScenes数据集评测指标涵盖自动驾驶感知系统的多个核心维度，包括目标跟踪、检测、运动预测和场景理解。关键指标包括：目标跟踪的MOTA（准确率）和AMOTA（平均准确率），目标检测的AP（平均精度）和NDS（综合得分），运动预测的ADE（平均位移误差）和FDE（最终位移误差），以及场景理解的各类IOU（交并比）。其中NDS、MOTA和mAP是综合性能的核心指标，值越高越好；而各类误差指标如trans_err和ADE则越低越好。评测结果显示不同类别性能差异明显，car和pedestrian的检测跟踪效果较]]></description><category></category></item><item><title><![CDATA[MMCV版本介绍]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/155355765</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/155355765</guid><author>ring12345677</author><pubDate>Fri, 05 Dec 2025 09:44:53 +0800</pubDate><description><![CDATA[（大致“最近稳定 / 官方推荐”）的 MMCV / MMDetection / MMDetection3D（及其依赖 MMEngine） 的兼容性推荐表格 — 涵盖，并给出的推荐组合 + “docker / 镜像 / 安装建议”。]]></description><category></category></item><item><title><![CDATA[docker源文件配置以及密钥文件]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/154938935</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/154938935</guid><author>ring12345677</author><pubDate>Mon, 17 Nov 2025 10:01:45 +0800</pubDate><description><![CDATA[摘要：本文介绍如何解决在Ubuntu系统中导入Docker公钥时出现的问题。首先提供两种导入公钥的方法（清华镜像站或Docker官方源），然后说明如何清理缓存并更新包列表。若问题未解决，需检查镜像源配置和密钥文件位置，重点解决当密钥存储在/etc/apt/keyrings/而非传统/etc/apt/trusted.gpg.d/目录时的处理方法。最后指导如何验证是否解决问题，确保Docker仓库签名正常验证。全文提供清晰命令示例和配置检查方法。]]></description><category></category></item><item><title><![CDATA[nvidia PhysicalAI-Autonomous-Vehicles数据集介绍]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/154726496</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/154726496</guid><author>ring12345677</author><pubDate>Wed, 12 Nov 2025 09:55:32 +0800</pubDate><description><![CDATA[原点：后轴中心在地面的投影点X 轴：指向车辆前方Y 轴：在面向前方时指向左侧Z 轴：指向上方。]]></description><category></category></item><item><title><![CDATA[BEVFUSION-CUDA 解读]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/153722315</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/153722315</guid><author>ring12345677</author><pubDate>Fri, 24 Oct 2025 09:24:42 +0800</pubDate><description><![CDATA[RsQ−zRsQ−zR：真实值Q：量化值s：比例（scale）z：偏移（zero point）fill:#333;color:#333;color:#333;fill:none;📂 加载预训练模型 (ResNet50)⚙️ 初始化量化器 quantize_net()🔄 激光雷达分支量化📸 相机分支量化(Bottleneck+Concat统一Scale)🧮 BN融合 + ReLU修正📊 标定300批次💾 保存量化模型 bevfusion_ptq.pth。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（九）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/153330060</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/153330060</guid><author>ring12345677</author><pubDate>Mon, 20 Oct 2025 15:48:12 +0800</pubDate><description><![CDATA[fill:#333;color:#333;color:#333;fill:none;]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（八）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/153250788</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/153250788</guid><author>ring12345677</author><pubDate>Wed, 15 Oct 2025 14:45:29 +0800</pubDate><description><![CDATA[本文总结了BEVFUSION框架中激光雷达点云和摄像头数据的处理方法。对于激光雷达点云，介绍了五种处理方式：点基方法、体素基方法、柱基方法、图基方法和投影基方法（包括球面投影、圆柱投影和鸟瞰视图）。重点分析了体素化过程，包括将点云划分为规则三维网格的步骤，以及通过稀疏卷积网络提取特征的过程。对于摄像头数据，描述了从原始图像到特征提取的流程，包括将激光雷达点投影到图像平面获取深度信息的关键步骤。整体流程展示了多模态数据融合中两种传感器数据的预处理和特征提取方法。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（七）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/153193794</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/153193794</guid><author>ring12345677</author><pubDate>Tue, 14 Oct 2025 10:15:13 +0800</pubDate><description><![CDATA[BEV池化技术原理摘要（150字）： BEV池化是一种将3D点云特征转换为2D鸟瞰图表示的方法。核心步骤包括：1) 将激光雷达坐标系下的空间（-54m至54m范围）划分为360×360×1的网格；2) 每个网格内的点特征进行求和聚合；3) 通过坐标转换将点云映射到voxel网格。关键技术实现使用CUDA加速，通过计算每个网格的起始索引和长度，实现高效的分段聚合操作。其中，前向传播将点特征累加到对应网格，反向传播则将梯度广播回原始点。该方法通过特征相加的方式，将3D点云压缩为2D BEV特征图，适用于自动驾驶]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（六）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/153029708</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/153029708</guid><author>ring12345677</author><pubDate>Mon, 13 Oct 2025 09:32:26 +0800</pubDate><description><![CDATA[函数

是 BEVFusion（或类似 BEV 特征融合模型）中一个关键步骤，用于将图像或多视角特征从 3D 空间投影到 Bird’s Eye View (BEV) 特征图上。代码中主要有两个输入：


: 
每个像素点（或特征点）在 3D 空间中的坐标（x, y, z）。
从图中看，它的 shape 是：
表示：：batch size：6 个摄像头：深度采样层数：特征图的高宽：每个点的 (x, y, z) 坐标: 
对应位置的特征向量（C 为通道数，例如 80）。


先将  和  展平成一维。,  表示]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（五）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/152778736</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/152778736</guid><author>ring12345677</author><pubDate>Fri, 10 Oct 2025 16:34:21 +0800</pubDate><description><![CDATA[撤销后处理的平移和旋转：先对视锥体进行平移和旋转。深度缩放：将每个像素的uuuvvv坐标与深度值ddd相结合，得到实际的 3D 坐标。从相机坐标系到激光雷达坐标系的转换：通过旋转矩阵和内参矩阵进行变换，得到激光雷达坐标系下的点。额外的变换：根据输入的额外旋转和平移矩阵，对点进行二次变换。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（四）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/152268084</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/152268084</guid><author>ring12345677</author><pubDate>Mon, 29 Sep 2025 16:23:58 +0800</pubDate><description><![CDATA[本文介绍了3D目标检测中数据预处理的关键步骤，包括坐标系转换和点云投影。主要内容有：1）详细推导了激光雷达到相机的坐标变换矩阵，解释了旋转矩阵求逆和平移向量计算；2）展示了相机内参矩阵构建和激光雷达到图像像素的投影过程；3）提供了多种坐标系组合变换实例，如世界坐标系转换。此外还简述了测试流程中的数据处理步骤，包括多视角图像加载、点云合并和3D标注加载等操作。这些预处理为后续3D目标检测任务提供了标准化的输入数据格式。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（三）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/152220883</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/152220883</guid><author>ring12345677</author><pubDate>Sun, 28 Sep 2025 15:57:45 +0800</pubDate><description><![CDATA[模型提供的model.yaml配置文件的详细解释，并附上不同模型配置的说明。这个配置文件定义了一个多模态 BEVFusion 模型，结合了相机图像和激光雷达（LiDAR）数据，以进行 3D 目标检测。将逐步分析每个模块的作用以及不同模型选择的含义。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（二）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/151792430</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/151792430</guid><author>ring12345677</author><pubDate>Wed, 17 Sep 2025 13:41:54 +0800</pubDate><description><![CDATA[nuScenes 风格的样例（通常是从 .pkl 里反序列化得到的 Python dict）解读。]]></description><category></category></item><item><title><![CDATA[BEVFUSION解读（一）]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/151786689</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/151786689</guid><author>ring12345677</author><pubDate>Wed, 17 Sep 2025 10:43:35 +0800</pubDate><description><![CDATA[NuScenes 点云到相机成像的流程，抽成**清晰的公式**，用统一的**齐次坐标**和**列向量**记号来写公式，同时也说明当前代码的**行向量实现**该怎么对应。]]></description><category></category></item><item><title><![CDATA[BEVFusion & NVIDIA Lidar_AI_Solution 部署与测试笔记]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/151750890</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/151750890</guid><author>ring12345677</author><pubDate>Wed, 17 Sep 2025 10:25:55 +0800</pubDate><description><![CDATA[本文介绍了BEVFusion与NVIDIA Lidar_AI_Solution的部署与测试流程。主要内容包括环境配置要求（CUDA≥11.0、TensorRT≥8.5.0等）、项目代码与数据集的下载方法（需递归克隆NVIDIA项目）、Docker环境配置与容器操作指南，以及MIT-BEVFusion项目的编译、训练和评估步骤。重点说明了使用nuScenes数据集时的注意事项，并提供了模型训练和评估的具体命令参数。该项目要求特定的硬件支持（Compute Capability≥sm_80）和严格的软件版本约束]]></description><category></category></item><item><title><![CDATA[Docker将镜像搬移到其他服务上的方法]]></title><link>https://blog.youkuaiyun.com/ring12345677/article/details/151720459</link><guid>https://blog.youkuaiyun.com/ring12345677/article/details/151720459</guid><author>ring12345677</author><pubDate>Mon, 15 Sep 2025 17:21:34 +0800</pubDate><description><![CDATA[（保留分层、标签）和（仅文件系统，丢失镜像历史与标签）。]]></description><category></category></item></channel></rss>