深度学习-MTR数据准备与训练

1、def create_infos_from_protos(raw_data_path, output_path, num_workers=1):

num_workers从16改成1

2、MTR的数据准备用的是scenario里的数据,不是tf_example里的

3、数据用motion1.1

4、motion数据格式:https://zhuanlan.zhihu.com/p/419147352
https://blog.csdn.net/weixin_50232758/article/details/132260047

一个tfrecord中包含大概500个scenario,scenario是一帧数据

5、由于tensorflow与torch中的typing-extensions 版本无法统一,所以数据集准备与训练分别建立两个虚拟环境进行

构建数据集准备的虚拟环境:

python 复制代码
conda create --name waymo_data_preparation python=3.8
pip install waymo-open-dataset-tf-2-12-0==1.6.4

MTR训练验证环境构建:

相关推荐
7yewh1 分钟前
SLAM 从视觉里程计到建图(6)
数据结构·人工智能·机器人·自动驾驶·嵌入式
勤劳X码农3 分钟前
2026年AI配音做职场视频怎么选?
人工智能·音视频
YOLO数据集集合4 分钟前
玉米雄穗目标检测数据集 | 玉米雄穗 作物表型 智慧农业 无人机巡检 小样本检测9142期
人工智能·目标检测·无人机·玉米·玉米雄蕊·玉米雄穗
weixin_4045512411 分钟前
AI Native 架构建议:从零开始以 AI 为核心构建系统
人工智能·架构
蝶依斓(湖南)全案整装14 分钟前
整装行业长尾需求内容矩阵搭建方法:从五个维度拆解用户需求
大数据·人工智能·矩阵
半条_虫15 分钟前
SAI(Shell AI Agent) 使用说明
人工智能
蜗牛互联网18 分钟前
从GitHub动态工作流理解确定性编排与Agent判断边界
java·人工智能·后端·github
无忧.芙桃20 分钟前
人工智能给计算机专业带来的机遇与挑战
人工智能
栈帧之外22 分钟前
【白话大模型二】一文梳理深度学习与大语言模型
人工智能·深度学习·语言模型
梦帮科技22 分钟前
推测解码(Speculative Decoding)与 Draft-Target 双核协同:接受率判据、树状验证与两倍吞吐无损加速
网络·人工智能·深度学习·神经网络·线性代数·矩阵·架构