将数据集整理好放在正确的位置即可，视频下方有评论遇到的问题，参照着解决即可。残差网络resnet可用于迁移学习，学习过程参考哔哩哔哩。博主的github源码。

直接在地址前面加r即可例如：VIDEO_PATH = 'C:\Users\Dell\Documents\Tencent Files\875474597\FileRecv/11.mp4'上图是计算机不能识别的地址，原因是\方向错误自己手动把所有的\改为/或者VIDEO_PATH = r'C:\Users\Dell\Documents\Tencent Files\8754745

自动驾驶模块位于模型预测控制工具箱中的自动驾驶，主要有车道保持辅助系统模块、自适应巡航控制模块和路径跟踪控制系统模块。驾驶场景和传感器模块库。

1.在图片数据集建立的时候，以前模型的图片没有删除掉，我是选中了以前的图片，粘贴了现在需要的图片，所以图片数量搞错了，train和test都是这样，然后我又去检查了一下标签数据集labels，发现数量也不对，把图片和标签数据重新修改之后发现还是报错。用yolov5自建数据集，训练一个模型，出现如下图所示的问题（run pip install wandb to automatically track

断点恢复的应用范围非常非常广。再比如，一个非常常见的情况，假如一开始设置了100个epoch，结果模型训练结束时，Loss还呈现下降的趋势，也就是模型还没有收敛，这种现象有可能就是epoch设置小了，所以可以把第100个epoch训练得到的权值文件当做初始权值文件再训练几个epoch看看，避免重新设置epoch从头训练。预训练权重，顾名思义，就是预先训练好的权重，这类权重是在大型数据集上进行训练的

14、图像RGB过滤采集，特征提取。如果需要看源码（CLB@CLB）再开一个终端(CLB@CLB)16、hsv空间特征提取。15、色域空间特征提取。6、人的身高特征检测。12、移动物体的检测。

14、图像RGB过滤采集，特征提取。如果需要看源码（CLB@CLB）再开一个终端(CLB@CLB)16、hsv空间特征提取。15、色域空间特征提取。6、人的身高特征检测。12、移动物体的检测。

最后我们将得到的Annotations/下的所有txt文件放入我们之前的dataset/labels中。这里是kitty独有的数据格式，不适用于我们的yolov5网络，所以我们得转换一下。这个时候我们已经将.txt转化为.xml并存放在Annotations下了。首先我们把类别归一一下，因为我们只需要用到三个类（代码中的路径自行修改）接下来我们可以训练了，你们可以先了解怎么训练yolov5的步骤，

主要在于坐标系的转换以及相机内外参的标定。相机的标定步骤可以参考以下手稿。

两侧分别装有两个短程毫米波雷达，每个短程毫米波雷达可覆盖90°检测范围，其中一个毫米波雷达覆盖车辆中部到后部区域，另一个毫米波雷达覆盖车辆中部到前部区域。注意场景生成和传感器仿真可以不同步，明确不同时间步分布用于场景仿真和传感器仿真可以实现场景仿真和传感器仿真解耦。另一个例子是传感器有不同的更新频率，假设某一传感器更新频率为20ms，而另一传感器更新频率50ms，你可以规定场景的更新频率为10ms