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
JicasdC123asd1 分钟前
快速跨阶段部分网络改进YOLOv26特征提取效率与梯度流动双重优化
人工智能·yolo·目标跟踪
StfinnWu3 分钟前
论文阅读《GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing》
论文阅读·深度学习·机器学习
所 爱5 分钟前
【重磅更新】Cursor Pro 会员独享功能上线!支持 Claude 4.5,智能编码再升级!
人工智能
梦醒过后说珍重9 分钟前
医疗图像超分避坑指南:为什么你不该用 `load_dataset` 下载结构化数据集?
深度学习
Swift社区11 分钟前
AI 时代,应用入口正在消失
人工智能
free_7313 分钟前
超越“回答”,AI Agent迎来全链路安全治理挑战
人工智能·python·网络安全
召田最帅boy15 分钟前
SpringBoot实现AI智能评论审核与自动回复
人工智能·spring boot·后端·架构
德育处主任15 分钟前
『n8n』If组件的用法
人工智能·aigc·工作流引擎
菩提树下的凡夫25 分钟前
激光应用1---影响激光光斑大小和功率密度的因素
人工智能
AI-Ming29 分钟前
注意力机制拓展-大模型知识点(程序员转行AI大模型学习)
人工智能·学习