自动驾驶之心-新版自动驾驶全栈算法大专栏合集（视频+答疑）-AI016【专项课】

课程目录

CUDA与TensorRT部署实战课程（视频+答疑）/
一、并行处理与GPU体系架构/
001.第一章课件 并行处理、GPU体系架构与课程简介.pdf
002.1.0 课程介绍.vep
003.1.1 并行处理简介.vep
004.1.2 GPU并行处理.vep
005.1.3.1 环境搭建.vep
006.1.3.2 CUDA cuDNN TRT版本选择.vep
007.1.3.3 常用软件安装.vep
008.1.3.4 服务器的环境配置.vep
009.1.3.5 编辑器的环境配置.vep
七、实战：部署YOLOv8检测器/
001.7.1 load-save-tensor.vep
002.7.2 affine-transformation.vep
003.7.3 deploy-yolov8-basics.vep
004.7.4 quantization-analysis.vep
三、TensorRT基础入门/
001.第三章课件.pdf
002.3.1 TensorRT概述.vep
003.3.2 TensorRT的应用场景.vep
004.3.3 TensorRT的模块.vep
005.3.4 导出并分析ONNX.vep
006.3.5 剖析ONNX架构并理解ProtoBuf-上.vep
007.3.5 剖析ONNX架构并理解ProtoBuf-下.vep
008.3.6 ONNX注册算子的方法.vep
009.3.7 ONNX graph surgeon-上.vep
010.3.7 ONNX graph surgeon-下.vep
011.3.8 快速分析开源代码并导出ONNX.vep
012.3.9 使用trtexec.vep
013.3.10 trtexec log分析.vep
二、CUDA编程入门/
001.第二章课件 CUDA编程入门.pdf
002.2.1.1 理解CUDA中的Grid和Block.vep
003.2.1.2 理解.cu和.cpp的相互引用及Makefile.vep
004.2.2.1 CUDA Core的矩阵乘法计算.vep
005.2.2.2 CUDA中的Error Handle.vep
006.2.2.3 GPU的硬件信息获取.vep
007.2.3.1 安装Nsight system and compute-上.vep
008.2.3.2 安装Nsight system and compute-下.vep
009.2.4.1 共享内存-上.vep
010.2.4.1 共享内存-下.vep
011.2.4.2 Bank Conflict-上.vep
012.2.4.2 Bank Conflict-下.vep
013.2.5.1 Stream与Event-上.vep
014.2.5.2 Stream与Event-下.vep
015.2.6.1 双线性插值与仿射变换-上.vep
016.2.6.2 双线性插值与仿射变换-下.vep
五、TensorRT API的基本使用/
001.5.1 MNISIT-model-build-infer.vep
002.5.2 build-model.vep
003.5.3 infer-model.vep
004.5.4 TensorRT-network-structure.vep
005.5.5.1 build-model-from-scratch-上.vep
006.5.5.2 build-model-from-scratch-下.vep
007.5.6.1 build-trt-module-上.vep
008.5.6.2 build-trt-module-下.vep
009.5.7 custom-trt-plugin.vep
010.5.8 plugin-unit-test(python+cpp).vep
八、实战：部署BEVFusion模型/
002.8.1 Overview-and-setting-environment-.vep
003.8.2 About-spconv-algorithm.vep
004.8.3 Export-SParse-Convolution-Network.vep
005.8.4 Spconv-with-Explicit-GEMM-Conv.vep
006.8.5 Spconv-with-Implicit-GEMM-Conv.vep
007.8.6 BEVPool-Optimization.vep
008.8.7 Analyze-each-onnx.vep
009.8.8 CUDA-BEVFusion-Framework-Design.vep
六、实战：部署分类器（CNN&ViT）/
001.6.0 preprocess-speed-compare.vep
002.6.1 deploy-classification-basic.vep
003.6.2.1 design-of-inference-model.vep
004.6.2.2 deploy-classification-advanced.vep
005.6.3 int8-calibration.vep
006.6.4 trt-engine-explorer.vep
四、TensorRT模型部署优化/
001.第四章课件.pdf
002.4.1.1 FLOPS和TOPS.vep
003.4.1.2 Roofline model.vep
004.4.2 模型部署的几大误区.vep
005.4.3.1 quantization(mapping-and-shift).vep
006.4.3.2 quantization(quantization-granularity).vep
007.4.3.3 quantization(calibration-algorithm).vep
008.4.3.4 quantization(PTQ-and-quantization-analy.vep
009.4.3.5 quantization(QAT-and-layer-fusion).vep
010.4.4.1 pruning(pruning granularity).vep
011.4.4.2 pruning(channel level pruning).vep
012.4.4.3 pruning(sparse tensor core).vep
Occupancy从入门到精通全栈课程（视频+答疑）/
一、占用网络概述/
002.1.1-1.2 课程介绍和内容设计.vep
003.1.3 为什么需要Occupancy Networks？.vep
004.1.4 Occupancy数据结构.vep
005.1.5-1.6 评测指标与开源数据集.vep
006.1.7 代码实战.vep
007.1.8 代码讲解补充.vep
三、占用网络的应用/
002.3.1 Occupancy Networks应用场景.vep
003.3.2 Occupancy Networks后处理.vep
004.3.3 代码实战.vep
二、占用网络如何训练？/
002.2.1 本章内容介绍.vep
003.2.2 BEV架构基础.vep
004.2.3 Occupancy Head.vep
005.2.4 训练策略.vep
006.2.5 代码实战.vep
五、占用网络优化/
002.5.1 FB-OCC算法详解.vep
003.5.2 TPVFormer算法详解.vep
004.5.3 VoxFormer详解.vep
005.5.4 OccFormer详解.vep
006.5.5 预训练Occ-BEV详解.vep
六、占用网络前沿探索/
001.6.1 Radiance Field 和Occupancy.vep
002.6.2 NeRF监督Occupancy Networks.vep
四、多传感器和占用网络模型/
002.4.1 多传感器硬件介绍.vep
003.4.2 基于Camera方案的Occ网络（上）.vep
004.4.3 基于Camera方案的Occ网络（下）.vep
005.4.4 激光雷达和BEV.vep
006.4.5 毫米波雷达和BEV.vep
007.4.6 超声波雷达和BEV.vep
008.4.7 基于Occupancy的多传感器前融合（上）.vep
009.4.8 基于Occupancy的多传感器前融合（下）.vep
010.4.9.1 从稀疏到稠密实战part1.vep
011.4.9.2 从稀疏到稠密实战part2.vep
YOLO系列全家桶算法教程/
101 DAMOYOLO简介mp4.vep
102 DAMOYOLO架构的改进mp4.vep
103 DAMOYOLO样本匹配mp4.vep
11 目标检测简介mp4.vep
111 YOLOXPAImp4.vep
12 目标检测数据集介绍mp4.vep
12-激光雷达-相机内外参联合标定.vep
13 目标检测方法简介mp4.vep
13-毫米波雷达视觉融合算法分享.vep
14 目标检测的常用指标与发展情况mp4.vep
14-自动驾驶传感器部署策略优化分享.vep
15 课程环境Windowsmp4.vep
15-一览无余，语义分割三十年！.vep
16 课程环境Linuxmp4.vep
16-高精地图制作关键技术及领域主流方案分享（上）.vep
17-高精地图制作关键技术及领域主流方案分享（下）.vep
21 YOLOv3的简介mp4.vep
22 YOLOv3 Backbone的改进mp4.vep
23 YOLOv3的FPNmp4.vep
24 AnchorBase与GridCellmp4.vep
25 YOLOv3坐标表示与正负样本匹配mp4.vep
26 YOLOv3之损失函数mp4.vep
31 YOLOv4介绍mp4.vep
32 Mosaic与Mish激活函数mp4.vep
33 Backbone网络架构的改进mp4.vep
34 PANFPN的讲解mp4.vep
35 样本匹配与损失函数mp4.vep
41 YOLOv4回顾以及YOLOv5的简介mp4.vep
42 YOLOv5的数据增强与前处理讲解mp4.vep
43 YOLOv5的架构改进mp4.vep
44 YOLOv5损失函数与样本匹配mp4.vep
45 实战YAML解析与模块解析mp4.vep
46 实战基于YAML的模型搭建mp4.vep
47 实战样本匹配与损失函数简述mp4.vep
48 YOLOv5训练推理实战mp4.vep
51 YOLOv6简介mp4.vep
52 YOLOv6之重参思想mp4.vep
53 YOLOv6的架构改进mp4.vep
54 YOLOv6之损失函数与样本匹配mp4.vep
55 YOLOv6训练配置mp4.vep
56 YOLOv6模型代码讲解mp4.vep
57 YOLOv6正负样本匹配代码讲解mp4.vep
61 YOLOv7介绍mp4.vep
62 YOLOv7ELAN梯度流设计思想mp4.vep
63 YOLOv7的架构改进mp4.vep
64 YOLOv7正负样本匹配mp4.vep
71 YOLOv8简介mp4.vep
72 YOLOv8架构改进mp4.vep
73 YOLOv8源码讲解mp4.vep
74 训练与推理实战mp4.vep
81 YOLOX简介mp4.vep
82 YOLOX的前处理部分mp4.vep
83 YOLOX的结构改进mp4.vep
84 YOLOX的SimOTA匹配mp4.vep
85 YOLOX项目配置与架构搭建过程mp4.vep
86 YOLOX的数据增强操作mp4.vep
87 Backbone与Neck的代码讲解mp4.vep
88 Decoupled的实现过程mp4.vep
89 YOLOX的样本匹配与损失函数mp4.vep
91 PPYOLOEmp4.vep
国内首个BEV感知全栈系列学习教程/
1.1 BEV感知算法的概念.vep
1.2 BEV感知算法数据形式.vep
1.3 BEV开源数据集介绍.vep
1.4 BEV感知方法分类.vep
1.5 BEV感知算法的优劣.vep
1.6 BEV感知算法的应用介绍.vep
1.7 课程框架介绍与配置.vep
2.1 从2D到3D转换模块.vep
2.2 从3D到2D转换模块.vep
2.3 BEV感知中的Transformer.vep
3.1-3.3 融合BEV感知算法介绍.vep
3.4 BEV-SAN.vep
3.5 BEVFusion.vep
3.6 LV融合算法：BEVFusion 实战.vep
4.1-4.3 环视BEV感知算法介绍.vep
4.10 BEVDistill.vep
4.11 纯视觉感知算法：BEVFormer 实战.vep
4.4 DETR3D.vep
4.5 BEVFormer.vep
4.5 BEVFormer2.vep
4.6 BEVDet.vep
4.6 BEVDet2.vep
4.7 BEVDet4D.vep
4.8 PETR.vep
4.9 BEVDepth.vep
5.2 大作业：模块化的BEV算法设计.vep
国内首个BEV感知全栈系列学习教程.txt
国内首门毫米波&4D毫米波雷达理论实战教程(视频+答疑)/
一． 毫米波雷达基础/
002.1.1 毫米波雷达发展历程.vep
003.1.2 毫米波雷达的特性及结构.vep
004.1.3 毫米波雷达测距原理.vep
005.1.4 毫米波雷达测速原理.vep
006.1.5 毫米波雷达测角原理.vep
007.1.6 雷达方程和RCS.vep
008.1.7 毫米波雷达在行业中的应用.vep
三． 毫米波雷达目标检测/
002.3.1目标检测的流程.vep
003.3.2 量产实战：从回波信号到点云提取.vep
004.3.3 量产实战：雷达点云预处理.vep
005.3.4 雷达微多普勒检测.vep
006.3.5 目标创建与滤除.vep
二． 毫米波雷达标定及遮挡检测/
002.2.1 毫米波雷达标定概述.vep
003.2.2 静态下线标定及产线布置方法.vep
004.2.3 动态标定方法.vep
005.2.4 毫米波雷达遮挡检测.vep
五． 4D 毫米波雷达/
002.5.1 4D毫米波雷达介绍.vep
003.5.2 4D毫米波雷达相关数据集.vep
004.5.3 4D毫米波雷达的点云检测.vep
005.5.4 4D毫米波雷达的感知策略.vep
六． 大作业：基于 Autosar 架 构的雷达感知算法设计/
002.第六章 基于AUTOSAR架构的雷达感知算法设计.vep
四． 毫米波雷达目标跟踪/
002.4.1 目标运动模型介绍.vep
003.4.2 为何追踪任务要用滤波方法.vep
004.4.3 扩展卡尔曼滤波的初始化设置.vep
005.4.4 点云与目标的关联策略.vep
006.4.5 量产实战：目标追踪中的调参.vep
多传感器标定全栈系统学习教程/
002.6.1 环视相机介绍.vep
003.6.2 鱼眼相机内参标定.vep
004.6.3 环视离线标定.vep
005.6.4 环视产线标定.vep
006.6.5 环视产线标定.vep
007.第五节课 传感器在线标定方法代码实战.vep
007.第六节课 环视相机标定代码实战.vep
1.1 多传感器标定概述.vep
1.2 为什么需要传感器标定.vep
1.3 传感器标定的难点.vep
1.4 传感器标定精度如何进行验证.vep
1.5 多传感器标定的工具箱有哪些.vep
1.6 OpenCalib工具箱介绍.vep
1.7 OpenCalib应用场景介绍.vep
1.8 OpenCalib配置使用.vep
2.1 相机标定介绍.vep
2.2 内参常用的标定方法.vep
2.3 如何优化标定精度.vep
2.4 标定精度验证方法.vep
2.5 内外参联合标定.vep
3.1 产线标定以及标定间标定介绍.vep
3.2 标定间标定方法.vep
3.3 Camera2Car 产线标定方法.vep
3.4 Lidar2Car 产线标定方法.vep
3.5 Radar2Car 产线标定方法.vep
3.6 产线标定板布置方法.vep
4.1 激光雷达-相机内外参联合标定.vep
4.2 激光雷达-激光雷达标定.vep
4.3 激光雷达-毫米波雷达标定.vep
4.4 激光雷达-惯导标定.vep
4.5 毫米波雷达-相机标定.vep
5.1 激光雷达-相机在线标定.vep
5.2 Camera2Car 在线标定.vep
5.3 Lidar2Car 在线标定.vep
5.4 Radar2Car 在线标定.vep
5.5 INS2Car 在线标定.vep
多传感器融合跟踪全栈教程（ 视频+答疑）/
001.第0节-课前导学PPT.pdf
002.0 多传感器目标跟踪-课前导学.vep
003.第1节-自动驾驶中的融合跟踪PPT.pdf
004.1.1. 自动驾驶中的感知任务.vep
005.1.2. 多传感器融合的主要方法.vep
006.1.3. 多传感器后融合跟踪的基本流程.vep
007.1.4. 多目标跟踪的数据集与性能指标.vep
008.第2节-目标跟踪中的状态估计PPT.pdf
009.2.1. 概率论基础.vep
010.2.2. 状态估计问题建模.vep
011.2.3. 线性高斯系统状态估计.vep
012.2.4. 非线性非高斯系统状态估计.vep
013.2.5. 常用运动与观测模型.vep
014.2.6. 作业与实践.vep
015.第2节 作业讲解.vep
016.第3节-目标跟踪中的数据关联PPT.pdf
017.3.1. 基于距离的目标相似性度量.vep
018.3.2. 基于IoU的目标相似性度量.vep
019.3.3. 最近邻匹配算法.vep
020.3.4. 匈牙利匹配算法.vep
021.3.5. 概率数据关联与多假设跟踪.vep
022.3.6. 作业与实践.vep
023.第三章 作业代码解读.vep
024.第4节-目标跟踪中的轨迹管理PPT.pdf
025.4.1 目标轨迹的创建与发布.vep
026.4.2 目标轨迹的合并与删除.vep
027.4.3 多目标跟踪的性能评估.vep
028.4.4 实践作业.vep
029.第四章作业代码解读.vep
030.第5节-基于单传感器的多目标跟踪PPT.pdf
031.5.1 2D Camera目标跟踪.vep
032.5.1 附加代码解读：DeepSORT源码讲解.vep
033.5.2. 2D Radar目标跟踪.vep
034.5.3. 3D Lidar目标跟踪.vep
036.5.3. 附加代码解读：3D Lidar目标跟踪代码实战.vep
037.第6节-基于多传感器后融合的多目标跟踪.pdf
038.6.1 基于多传感器后融合的多目标跟踪基本架构.vep
040.6.2 代码实战：基于多传感器后融合的多目标跟踪.vep
多传感器融合：毫米波雷达和视觉融合感知全栈教程（深度学习+传统方式）/
基于深度学习的点云目标检测任务/
001.基于深度学习的雷达点云目标检测ppt.pdf
002.3.1.雷达点云检测算法背景.vep
003.3.2.基于原始数据的检测方法.vep
004.3.3 基于稀疏点云的检测：RadarPointGNN.vep
005.3.4 基于稀疏点云的检测：RadarPointNet.vep
实战代码/
tracking-with-Extended-Kalman-Filter.zip
毫米波雷达介绍/
001.毫米波雷达介绍PPT.pdf
002.1.1.工作原理和传感器特性.vep
003.1.2.毫米波雷达种类.vep
004.1.3.雷达信号处理与数据格式.vep
005.1.4. 4D毫米波雷达.vep
006.1.5. 雷达激光雷达相机特性比较.vep
007.1.6. 毫米波在多个领域应用介绍.vep
008.1.7. 3D4D雷达领域产品.vep
毫米波雷达基础算法详解/
001.毫米波雷达基础算法详解ppt.pdf
002.2.1.毫米波雷达数据处理.vep
003.2.2.聚类算法.vep
004.2.3.匹配算法.vep
005.2.4.滤波算法.vep
006.2.5.基于EKF的雷达后融合实战.vep
007.2.6.实战代码.docx
毫米波雷达视觉融合的2D检测任务/
001.毫米波雷达视觉融合的2D检测任务PPT.pdf
002.4.1 RV融合背景介绍.vep
003.4.2 融合思路介绍.vep
004.4.3 RV融合常用的指标.vep
005.4.4 RV融合数据集介绍.vep
006.4.5 CRFNet.vep
007.4.6 RRPN~4.7总结.vep
008.4.8.1 SAF-FCOS讲解.vep
009.4.8.2 环境配置.vep
010.4.8.3 代码详解.vep
011.4.8.4 效果展示.vep
012.课程第四章节实战PPT.pdf
毫米波雷达视觉融合的3D检测任务/
001.毫米波雷达视觉融合3D检测.pdf
002.5.1 RV融合背景介绍.vep
003.5.2 RV融合思路.vep
004.5.3 RV融合常用指标.vep
005.5.4 RV融合数据集.vep
006.5.5 RV融合算法CenterFusion详解.vep
007.5.6 RCBEV.vep
008.5.7 RV融合算法CRAFT详解.vep
009.5.8 主流融合思路汇总.vep
010.5.9.1 FUTR3D预备知识.vep
011.5.9.2 环境配置.vep
012.5.9.3 代码实战&效果展示.vep
013.课程第五章节实战PPT.pdf
多模态融合3D目标检测教程（视频+答疑）/
001.多模态感知基础介绍PPT.pdf
002.1.0 课程介绍.vep
003.1.1 自动驾驶系统介绍.vep
004.1.2 多模态感知的常用传感器.vep
005.1.3 相关2D和3D感知基础知识.vep
006.1.4 常用公开数据集.vep
007.3D目标检测PPT.pptx
008.2.1二维和三维目标检测的异同点.vep
009.2.2基于图像的3D目标检测.vep
010.2.3基于激光雷达的3D目标检测.vep
011.2.4.基于融合的3D目标检测.vep
012.2.5本章总结.vep
013.第三章 前融合方法PPT.pptx
014.3.1 前融合方法介绍.vep
015.3.2 PointPainting.vep
016.3.3 PointAugmenting.vep
017.3.4 MVP.vep
018.3.5.1 MVP代码实战：环境搭建.vep
019.3.5.2 MVP代码实战：配置资料.docx
020.3.5.3 代码详解1.vep
021.3.5.4 代码详解2.vep
022.3.5.5 实战效果.vep
023.3.6 本章总结.vep
… 共 540 条