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
小彤花园12 小时前
和 AI 结对写网站:从 JSON 到一整个工具集
前端·人工智能·程序员
BerryS3N12 小时前
Java在人工智能与大模型时代的深度演进:从工程落地、高性能计算到企业级Agent与RAG架构实战指南
java·人工智能·架构
小白说大模型12 小时前
AI Agent 调试实战:从 Prompt 追踪到执行回放的系统化排障方法
人工智能·prompt
科研小刘带你玩学术13 小时前
【学术干货】CVPR论文解析:扩散模型如何推动生成式人工智能进入新时代?
人工智能·深度学习·计算机视觉·生成式ai·扩散模型
大模型服务器厂商13 小时前
AI行业调价潮与产业逻辑解析:算力基建与科研服务器的核心价值
人工智能
Wang's Blog13 小时前
AI Agent白手起家28: LangChain 五种提示词模板实战解析
大数据·人工智能·langchain
又折桃枝换酒钱13 小时前
CrossLMM:通过双交叉注意力机制从大型多模态模型中解耦长视频序列
人工智能·深度学习·机器学习
码云之上13 小时前
Prompt Engineering:从提示词文案到 Agent 行为契约
人工智能·架构·前端工程化
小码哥06813 小时前
2026陪诊小程序与APP开发技术分析
大数据·人工智能·小程序
观远数据13 小时前
决策闭环的第三公里:从洞察到行动之间,AI能补上什么
大数据·数据库·人工智能