摘要：
pytorch/libtorch qq群2群：302984355 pytorch/libtorch qq群： 1041467052（一群满了） 其实pytorch的函数libtorch都有，只是写法上有些出入。 libtorch的官方文档链接 class tensor 只是官方文档只是类似与函数申明 阅读全文
posted @ 2020-05-16 18:14
无左无右
阅读(41181)
评论(1)
推荐(6)
摘要：
import numpy as np import cv2 load def load_bin(bin_file): points = np.fromfile(bin_file, dtype=np.float32)[1:].reshape(-1, 4) mask = np.all(~np.isnan 阅读全文
posted @ 2026-01-29 15:50
无左无右
阅读(4)
评论(0)
推荐(0)
相机坐标系转车辆坐标系以及相反， RT矩阵，旋转变换P_cam = rot_car2cam * P_car + trans_car2cam； P_cam = rot * (P_car - trans)
摘要：
camera_to_car [ 0.00866422, 0.01209645, 0.9998893 , 2.112719 ] [-0.99986316, 0.01419647, 0.00849225, 0.013116 ] [-0.01409217, -0.99982605, 0.0122178 , 阅读全文
posted @ 2025-12-25 21:21
无左无右
阅读(24)
评论(0)
推荐(0)
摘要：
下面给你最小、正确且高效的 numpy 实现，把t11 时刻的 87 个目标齐次矩阵对齐到 t0 坐标系。 重点：齐次矩阵变换的顺序。 🧠 已知 ego 坐标 → world 坐标 R_prevel2wld[t] shape: [200, 4, 4] object local → ego 坐标 R 阅读全文
posted @ 2025-12-02 16:58
无左无右
阅读(7)
评论(0)
推荐(0)
摘要：
{ // 使用 IntelliSense 了解相关属性。 // 悬停以查看现有属性的描述。 // 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387 "version": "0.2.0", "configurations": [ { 阅读全文
posted @ 2025-10-31 17:02
无左无右
阅读(7)
评论(0)
推荐(0)
摘要：
恩，chatgpt帮我写的标注抹除的工具 import cv2 import numpy as np import argparse import os """ 左键拖动 框选区域 左键单击 粘贴选区 z 撤销上一次操作 c 取消当前选区 s 手动保存 n 自动保存当前 → 加载下一张（若存在 _e 阅读全文
posted @ 2025-10-24 13:28
无左无右
阅读(8)
评论(0)
推荐(0)
摘要：
直接pip install mmdet3d==0.17.1会报错： cuda.cu:16:10: fatal error: spconv/maxpool.h: 没有那个文件或目录； 参考链接：https://blog.csdn.net/FranklinLeeYF/article/details/14 阅读全文
posted @ 2025-09-05 16:11
无左无右
阅读(74)
评论(0)
推荐(0)
摘要：
import numpy as np a = [ np.array([[1, 2, 3], [4, 5, 6]]), # A0 np.array([[10, 20, 30], [40, 50, 60]]), # A1 np.array([[100, 200, 300], [400, 500, 600 阅读全文
posted @ 2025-06-26 16:01
无左无右
阅读(35)
评论(0)
推荐(0)
摘要：
car_noise2cam = car2cam @ car_noise2car 阅读全文
posted @ 2025-06-26 14:50
无左无右
阅读(15)
评论(0)
推荐(0)
摘要：
class FusionLSSFPN(BaseLSSFPN): ... def forward(self, sweep_imgs, mats_dict, lidar_depth, timestamps=None, is_return_depth=False): """Forward function 阅读全文
posted @ 2025-05-11 22:54
无左无右
阅读(86)
评论(0)
推荐(0)
摘要：
总样本数 tp fp precision recall obj 141 124 656 15.90% precision = tp/(tp+fp) 124/(124+656)=0.15897 precision描述的是在所有检测出的目标中，正确的个数占比 recall = tp/(总样本数) 124 阅读全文
posted @ 2025-05-08 17:47
无左无右
阅读(20)
评论(0)
推荐(0)
浙公网安备 33010602011771号