BEVFormer-tiny (R50) 是一款专注于边缘端高效部署的自动驾驶多相机三维目标检测模型。该模型由商汤科技与清华大学团队提出，基于经典的 ResNet-50 骨干网络，通过独特的时空注意力机制（Spatio-Temporal Attention），将多个环视相机的二维图像特征无损地转换为统一的环视鸟瞰图（BEV）特征。作为 Tiny 轻量化版本，它通过精简 Transformer 层数与优化网格分辨率，在大幅降低显存占用与计算延迟的同时，依然完好地保留了对动态物体的速度估计与时序轨迹追踪能力。凭借其优异的能效比，BEVFormer-tiny 已成为低算力车载芯片、路侧边缘计算单元（RSCU）实现高精度 3D 空间感知与车路协同的工业级标杆。

源模型

• 输入尺寸: [[1,6,3,480,800]]
• 参数量: 33.7M
• 模型大小: 128.5 FP32
• 输出尺寸：boxes [[300,9]], scores [[300]], labels [[300]]

源模型仓库：bevformer

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

当用户对源模型进行过微调，需要重新进行模型转换。

用户可以自行参考以下两种方式完成模型转换：

• 使用 AIMO 完成模型转换：在右侧性能参考板块中点击模型转换参考查看模型转换步骤

• 使用高通 QNN 完成模型转换：请参考 Qualcomm QNN 文档

Model Farm 所提供的模型性能基准测试以及示例代码皆基于阿加犀AidLite SDK 实现。

对于模型文件格式为 .bin 的模型，可以使用以下两种推理引擎完成模型在高通芯片上推理：

• 使用 APLUX AidLite 推理：详情请参考 APLUX AidLite 开发者文档

• 使用 Qualcomm QNN 推理：请参考 Qualcomm QNN 文档

推理示例代码

推理示例代码是基于 AidLite SDK 实现

点击模型 & 代码下载模型文件和推理代码包，文件结构如下

/{model_name}_{SoC Name}_{Precision}
    
    |__ models # folder where model files are stored    
    
    |__ code # aidlite python model inference example

        |__ python # aidlite python model inference example

        |__ cpp # aidlite cpp model inference example

        |__ README.md