作者您好，我目前在navsimv1上训练该算法，发现GPU在训练时空置率很高，在观察特征构建环节，发现设置了一个关于相机特征的预处理步骤：SparseDriveFeatureBuilder.pipeline(self, features, targets, token, test_mode, vis=False)，这个步骤似乎并不包含在_get_camera_feature里面，意味着在run_dataset_caching时，pipeline不会被执行，而是训练时由CacheOnlyDataset.__getitem__在线执行，这似乎会导致在图像数据传入时产生很重的预处理步骤（预处理时间见如下示例），可以看到这个pipeline耗时约0.2秒，考虑到训练时单个batch这个过程会被执行多次，会导致CPU任务实际很重，之前阅读的同一个框架下（navsim）的算法（diffusiondrivev2）中，对原始图像的预处理步骤则被放在_get_camera_feature中，使得预处理可以被提前缓存从而实现非常快的训练速度，想知道pipeline这样设置是否合理，还是我对代码的理解还没到位，感谢您的回复。
class CacheOnlyDataset(torch.utils.data.Dataset):
...
def __getitem__(self, idx: int) -> Tuple[Dict[str, torch.Tensor], Dict[str, torch.Tensor]]:
...
print(time.perf_counter()) # 70886.107852798
features, targets, token = self._load_scene_with_token(idx)
print(time.perf_counter()) # 70886.109476427
if hasattr(self._feature_builders[0], 'pipeline'):
features, targets, token = self._feature_builders[0].pipeline(features, targets, token, self.test_mode)
print(time.perf_counter()) # 70886.299037729
作者您好，我目前在navsimv1上训练该算法，发现GPU在训练时空置率很高，在观察特征构建环节，发现设置了一个关于相机特征的预处理步骤：SparseDriveFeatureBuilder.pipeline(self, features, targets, token, test_mode, vis=False)，这个步骤似乎并不包含在_get_camera_feature里面，意味着在run_dataset_caching时，pipeline不会被执行，而是训练时由CacheOnlyDataset.__getitem__在线执行，这似乎会导致在图像数据传入时产生很重的预处理步骤（预处理时间见如下示例），可以看到这个pipeline耗时约0.2秒，考虑到训练时单个batch这个过程会被执行多次，会导致CPU任务实际很重，之前阅读的同一个框架下（navsim）的算法（diffusiondrivev2）中，对原始图像的预处理步骤则被放在_get_camera_feature中，使得预处理可以被提前缓存从而实现非常快的训练速度，想知道pipeline这样设置是否合理，还是我对代码的理解还没到位，感谢您的回复。