Horizon-Torch-Samples是基于Pytorch和Pytorch plugin的接口开发的算法工具，旨在为地平线BPU提供高效且用户友好的算法工具包。

Horizon-Torch-Samples所依赖的PyTorch是一个针对深度学习，并且使用GPU和CPU来优化的tensor library (张量库)，是目前最受欢迎的深度学习框架之一。而Pytorch plugin是基于Pytorch开发的一套量化算法工具，专注于与计算平台相贴近的量化功能实现，其量化算法与地平线计算平台深度耦合，利用该工具训练得到的量化模型均可以正常编译和运行在地平线BPU（BERNOULLI/BAYES/NASH）上。

Horizon-Torch-Samples作为地平线开发的算法包基础框架，面向所有的算法用户开发和研究的用户，其量化训练与地平线计算平台紧密相关，包含了 浮点训练 --> QAT 训练 --> 定点转化预测 --> 模型检查编译(针对地平线 BPU) --> 上板精度仿真验证 的整套流程。同时它还可以提供包含分类，检测，分割等常见的图像任务的SOTA(state-of-the-art)深度学习模型。

#特性

• 基于Pytorch和horizon_plugin_pytorch。
• 包含从 浮点训练 到 上板精度仿真验证 的整套流程。
• 包含分类、检测、分割等常见图像任务的SOTA模型，且所有示例都与地平线BPU兼容。

#示例模型

Horizon-Torch-Samples目前已包含以下深度学习模型。

模型类别	模型名称
分类模型	mobilenetv1_imagenet mobilenetv2_imagenet resnet18_imagenet resnet50_imagenet vargnetv2_imagenet efficientnet_imagenet horizon_swin_transformer_imagenet mixvargenet_imagenet efficientnasnetm_imagenet efficientnasnets_imagenet vit_small_imagenet henet_tinye_imagenet henet_tinym_imagenet
检测模型	fcos_efficientnetb0_mscoco fcos_efficientnetb1_mscoco fcos_efficientnetb2_mscoco fcos_efficientnetb3_mscoco detr_resnet50_mscoco detr_efficientnetb3_mscoco deform_detr_resnet50_mscoco fcos3d_efficientnetb0_nuscenes pointpillars_kitti_car centerpoint_pointpillar_nuscenes
分割模型	deeplabv3plus_efficientnetm0_cityscapes deeplabv3plus_efficientnetm1_cityscapes deeplabv3plus_efficientnetm2_cityscapes fastscnn_efficientnetb0tiny_cityscapes unet_mobilenetv1_cityscapes
车道线检测模型	ganet_mixvargenet_culane
多目标跟踪模型	motr_efficientnetb3_mot17
双目深度估计模型	stereonetplus_mixvargenet_sceneflow
Bev多任务模型	bev_ipm_efficientnetb0_multitask_nuscenes bev_lss_efficientnetb0_multitask_nuscenes bev_gkt_mixvargenet_multitask_nuscenes bev_ipm_4d_efficientnetb0_multitask_nuscenes detr3d_efficientnetb3_nuscenes petr_efficientnetb3_nuscenes bevformer_tiny_resnet50_detection_nuscenes bev_cft_efficientnetb3_nuscenes bev_sparse_henet_tinym_nuscenes
关键点检测模型	keypoint_efficientnetb0_carfusion
Lidar多任务模型	centerpoint_mixvargnet_multitask_nuscenes
轨迹预测模型	densetnt_vectornet_argoverse1 qcnet_oe_argoverse2
Occupancy预测模型	flashocc_henet_lss_occ3d_nuscenes
在线建图模型	maptroe_henet_tinym_bevformer_nuscenes maptroe_sparse_henet_tinym_nuscenes
Lidar融合bev多任务模型	bevfusion_pointpillar_henet_multisensor_multitask_nuscenes bev_sparse_lidar_fusion_henet_tinym_nuscenes

以上模型中，resnet18_imagenet 、 resnet50_imagenet 、 vargnetv2_imagenet 、 efficientnasnetm_imagenet 、 efficientnasnets_imagenet 、 efficientnet_imagenet 、 mixvargenet_imagenet 、 vargnetv2_imagenet 、ganet_mixvargenet_culane 、 deeplabv3plus_efficientnetm0_cityscapes 、deeplabv3plus_efficientnetm1_cityscapes 、 deeplabv3plus_efficientnetm2_cityscapes、 fastscnn_efficientnetb0tiny_cityscapes、 bev_gkt_mixvargenet_multitask_nuscenes 、bev_ipm_efficientnetb0_multitask_nuscenes 、 bev_lss_efficientnetb0_multitask_nuscenes、 flashocc_henet_lss_occ3d_nuscenes、 detr3d_efficientnetb3_nuscenes 和 keypoint_efficientnetb0_carfusion 只需要做calibration量化精度就能达到目标，详细精度参考model_zoo。