标签：视觉

2026-03-23andy阅读(38)评论(0)

如何解决车载视觉模型 TensorRT 转换中的算子不支持痛点 在车载 AI 部署领域，将 PyTorch 模型转换为 TensorRT 引擎是提升推理速度的必经之路。然而，由于车载视觉模型常包含一些特殊的采样（如 GridSample）或...

2026-03-22andy阅读(39)评论(0)

前言 在智能座舱领域，DMS（驾驶员监控系统）和多手势识别是两个核心算法。由于车载芯片的算力资源通常较为受限，如果将两个模型独立运行，会带来巨大的IO开销和计算冗余。本文将介绍如何通过多任务学习（Multi-task Learning）与算...

2026-03-20andy阅读(64)评论(0)

如何通过模型分片技术将大型视觉模型跨核心部署在智能座舱异构单元 在智能座舱场景下，SoC芯片（如高通8295、华为麒麟系列）通常集成有多个异构算力单元（NPU、GPU、DSP）。当单颗NPU无法承载大参数量模型或需要降低单核功耗时，模型分片...

2026-02-13andy阅读(146)评论(0)

视觉识别也会被“致盲”？针对车内DMS摄像头的对抗样本攻击与防御方案 驾驶员监控系统（DMS, Driver Monitoring System）在现代汽车中扮演着越来越重要的角色，用于实时监测驾驶员的疲劳状态、注意力分散情况，从而提升驾驶...

2026-02-04andy阅读(174)评论(0)

在车载视觉系统中，对推理速度和功耗的要求极为严苛。NVIDIA TensorRT (TRT) 是优化和部署深度学习模型到NVIDIA GPU（如Jetson或Drive系列）的首选工具。然而，在将PyTorch或TensorFlow训练好的...

2026-02-03andy阅读(179)评论(0)

在智能汽车座舱中，DMS（驾驶员监测系统）和手势识别是提升安全性和用户体验的关键技术。然而，在嵌入式硬件（如车载SoC）上，同时运行这两个复杂的视觉任务会带来巨大的计算压力和延迟。解决这一问题的核心在于模型架构优化与推理图算子融合。 算子融...

2026-01-31andy阅读(125)评论(0)

在智能座舱（Smart Cockpit）系统中，视觉模型（如高分辨率感知、驾驶员/乘客监控DMS/OMS模型）往往体积庞大且计算密集。单个算力单元（如特定的NPU或DSP）可能无法提供足够的内存或吞吐量。模型分片（Model Shardin...

2026-01-30andy阅读(185)评论(0)

PyTorch 默认使用 NCHW (Batch, Channels, Height, Width) 内存布局，这是一种从科学计算历史遗留下来的传统格式。然而，对于现代视觉模型，尤其是在利用 NVIDIA Tensor Core 或其他高度...