我来帮你排查这个问题。先搜索社区是否有类似案例和解决方案。
根据文档和搜索结果，我来帮你分析这个问题：
结论
是的，HAT (Horizon Algorithm Toolkit) 目前只在 GPU Docker 中提供。CPU Docker 不包含 HAT 模块，这是设计上的限制。
问题分析
-
CPU Docker 限制：
- CPU Docker (
ai_toolchain_ubuntu_22_s100_s600_cpu_v3.7.0.tar) 主要用于模型转换、编译和推理 - 不包含训练相关的 HAT 模块
horizon_model_train_sample/scripts文件夹在 CPU 包中确实不存在
- CPU Docker (
-
GPU Docker 才有 HAT：
- HAT 是训练工具包，依赖 GPU 环境
- 即使使用 J6 的 CPU Docker，也找不到 HAT 模块
解决方案
方案 1：使用 PTQ 的精度评估工具（推荐）
对于 QAT 模型的精度评估，可以借用 PTQ 的精度评估流程：
# 1. 在 CPU Docker 中，使用 hb_eval_preprocess 工具预处理数据
hb_eval_preprocess -m stereonetplus_mixvargenet_sceneflow \
-i /path/to/sceneflow/left \
-o ./pre_sceneflow_left
hb_eval_preprocess -m stereonetplus_mixvargenet_sceneflow \
-i /path/to/sceneflow/right \
-o ./pre_sceneflow_right
# 2. 生成 lst 文件
find ./pre_sceneflow_left -name "*.bin" | sort > ./pre_sceneflow_left.lst
find ./pre_sceneflow_right -name "*.bin" | sort > ./pre_sceneflow_right.lst
# 3. 在板端运行 accuracy.sh 获取 eval.log
cd /userdata/qat/script/disparity_pred/stereonetplus_mixvargenet_sceneflow
sh accuracy.sh
# 4. 使用 PTQ 的精度计算脚本（需要找对应的评估脚本）
# 对于深度估计模型，可能需要自定义评估脚本
方案 2：手动编写数据预处理脚本
如果不依赖 HAT，可以自己编写预处理脚本：
# 参考文档中的预处理逻辑，手动实现
# 1. 读取 SceneFlow 数据集
# 2. 按照模型输入要求进行 resize、normalize 等处理
# 3. 保存为 bin 格式
# 4. 生成 val_gt_infos.pkl 文件用于精度计算
方案 3：临时使用 GPU Docker 做数据预处理
# 1. 启动 GPU Docker（即使没有 GPU，部分预处理脚本可能可以运行）
docker run -it docker_open_explorer_ubuntu_22_j6_gpu_v3.7.0.tar.gz
# 2. 运行预处理脚本
cd /open_explorer/samples/ai_toolchain/horizon_model_train_sample
python3 tools/bpu_val_preprocess.py \
-c configs/disparity_pred/stereonet/stereonetplus_mixvargenet_sceneflow.py \
--save-path ./data/sceneflow/
# 3. 将预处理后的数据导出，在 CPU Docker 中进行推理评估
建议
- 优先尝试方案 1：使用
hb_eval_preprocess工具，这是 CPU Docker 支持的标准工具 - 查看 Model Zoo 文档：StereoNetPlus 参考算法 可能有具体的精度评估方法
- 联系地平线技术支持：如果上述方案都不可行，建议在社区发帖或联系官方获取 QAT 精度评估的标准流程
关键提示
- QAT 模型的精度评估流程和 PTQ 类似，核心是：数据预处理 → 模型推理 → 精度计算
- HAT 主要用于训练阶段的数据处理，推理阶段的精度评估可以不依赖 HAT
- 对于 SceneFlow 数据集的深度估计模型，可能需要自定义精度评估指标（如 EPE、D1 等）
你可以先尝试用 hb_eval_preprocess 处理数据，看看能否走通整个流程。如果需要具体的预处理参数配置，可以查看模型的配置文件或参考 PTQ 示例。