BIRT部署


配置环境:

名称 版本
Birt 4.8.0
JDK 1.8.0
Tomcat 8.5.55

  1. 下载BIRT Runtime-4.8.0

  2. 下载tomcat-1.8.0

  3. 将其解压,把目录下的WebViewerExample文件夹复制到Tomcat主目录下的webapps目录下,并改名为 reportApp.
    在这里插入图片描述

  4. 数据库驱动复制到\Tomcat-8.5.55\webapps\reportApp\WEB-INF\lib目录下

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BEVFormer是一种纯视觉的自动驾驶感知算法。它通过融合环视相机图像的空间和时序特征来生成具有强表征能力的BEV(Bird's Eye View)特征,并应用于下游的3D检测、分割等任务,取得了SOTA(State-of-the-Art)的结果。在BEVFormer算法的部署中,主要包括以下几个部分。 首先是backbone,用于从6个角度的环视图像中提取多尺度的multi-camera feature。这个过程主要通过对多个相机的内外参信息进行特征提取,以获得统一的BEV视角的multi-camera feature。 其次是BEV encoder,该模块主要包括Temporal self-Attention和Spatial Cross-Attention两个部分。Spatial Cross-Attention结合多个相机的内外参信息对对应位置的multi-camera feature进行query,从而在统一的BEV视角下将multi-camera feature进行融合。Temporal self-Attention将History BEV feature和current BEV feature通过self-attention module进行融合,以获取具有时序信息的BEV feature。 最后是Det&Seg Head,这是针对特定任务的task head。它进一步使用BEV feature进行3D检测和分割任务。 在BEVFormer部署中,我们还对训练代码进行了优化,包括数据读取和减少内存拷贝消耗等方面的优化。此外,我们还使用了推理优化工具PAI-Blade对模型进行了优化,以提高推理速度。通过PAI-Blade优化后的模型,在A100机器下能够获得42%的优化加速。 总而言之,BEVFormer部署主要包括backbone、BEV encoder和Det&Seg Head三个部分,并通过优化训练代码和使用推理优化工具来提高算法的训练速度和推理速度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值