VIP11
本课程属于：082-TensorRT与ONNX推理部署工程 智能汽车与新能源汽车工程 · 共 11 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

自动驾驶模型中间表示与跨平台部署工程

共计 30 章节
可可资料掘金营 · 点击在线试看
01
课程导入
目标=自动驾驶模型部署的挑战与机遇 · 中间表示与跨平台部署的核心价值 · 课程目标与整体知识框架
课程导入目标=自动驾驶模…
02
自动驾驶感知模型概览
目标=CNN · Transformer · BEV
自动驾驶感知模型…CNN
03
中间表示基础
目标=什么是中间表示（IR） · IR在编译器与深度学习框架中的作用 · 常见IR分类（图IR
间表示基础IR
04
主流深度学习IR介绍
目标=ONNX · TorchScript · TensorFlow GraphDe…
IR主流深度学习
05
模型转换流程
目标=从训练框架（PyTorch/T… · 转换工具链（ONNX导出 · torch.jit.trace/sc…
模型转换流程PyTorch/T
06
计算图优化
目标=常量折叠 · 算子融合 · 死代码消除
计算图优化目标=常量折叠
07
算子与内核抽象
目标=算子定义 · 算子集划分 · 自定义算子注册
算子内核抽象
08
量化与压缩中间表示
目标=训练后量化 · 量化感知训练 · 混合精度
量化压缩
09
跨平台部署概述
目标=车载芯片（NVIDIA · 地平线 · 黑芝麻
跨平台部署概述NVIDIA
10
TensorRT部署实战
目标=ONNX到TensorRT引擎… · 插件开发 · INT8校准
TensorRT部署实战
11
地平线征程部署实战
目标=Horizon OpenExp… · 模型转换与量化 · BPU算子支持
地平线征程部署实…Horizon
12
黑芝麻华山部署实战
目标=A1000工具链 · 模型编译与优化 · 算子适配
黑芝麻华山部署实…A1000
13
高通骁龙部署实战
目标=SNPE/QNN工具链 · 模型转换与量化 · DSP/NPU加速
高通骁龙部署实战SNPE/QNN
14
TVM跨平台部署
目标=TVM Relay IR · AutoTVM/Ansor自动调优 · 多后端代码生成
TVM跨平台部署
15
MLIR在自动驾驶中的应用
目标=MLIR方言体系 · 渐进式lowering · 硬件特定优化
MLIR自动驾驶
16
模型编译与运行时
目标=AOT与JIT编译 · 运行时调度 · 内存管理
模型编译运行时
17
异构计算与任务调度
目标=CPU/GPU/NPU协同 · 算子卸载策略 · 流水线并行
异构计算任务调度
18
部署中的数值一致性
目标=浮点误差来源 · 量化误差传播 · 跨平台数值对齐方法
部署数值一致性
19
性能评估与基准测试
目标=延迟 · 吞吐 · 功耗
性能评估基准测试
20
安全与功能安全
目标=ISO 26262对模型部署的… · 确定性执行 · 冗余设计
安全功能安全
21
模型更新与OTA
目标=增量更新 · 版本管理 · A/B测试
OTA模型更新
22
端到端自动驾驶模型部署
目标=BEV+Transformer… · 大模型量化与剪枝 · 实时性优化案例
端到端自动驾驶模…BEV+Transfor…
23
多模态融合模型部署
目标=激光雷达与相机融合模型 · 点云处理算子 · 跨模态对齐
多模态融合模型部…目标=激光雷达
24
常见问题与调试
目标=转换失败 · 精度下降 · 性能不达标
常见问题调试
25
实战项目一
目标=基于ONNX与TensorRT… · 从PyTorch导出到车载端推理全流…
实战项目一ONNX
26
实战项目二
目标=基于TVM的BEV模型跨平台部… · 自动调优与多后端性能对比
实战项目二TVM
27
实战项目三
目标=基于MLIR的自定义算子开发与… · 针对特定芯片的算子优化
实战项目三MLIR
28
综合提升
目标=部署流水线自动化 · CI/CD集成 · 模型仓库与版本控制
综合提升目标=部署流水线…
29
前沿趋势
目标=大模型与端到端自动驾驶 · 神经渲染与3D重建部署 · 芯片与编译器协同设计
前沿趋势目标=大模型
30
课程总结与展望
目标=知识体系回顾 · 核心能力自评 · 进一步学习资源与职业发展建议
课程总结目标=知识体系回…