基于MMDet3D的pointpillars和centernet推理（mmdet3d v1.0 rc）

关注

VIP免费原创 2023-04-12 23:50:00 2.2k 阅读 AI 写同款· GEO 优化 ›

【MMDetection3D实战4】利用mmdet3d进行训练 MMDetection3D(mmdet3d)和OpenMMlab其他代码库是一样的，在训练的时候需要准备好一个配置文件，在配置文件中定义好所使用的数据模型优化器和一系列参数，对于单GPU我们可以使用启动训练。因为mmdet3d提供了一系列标准的配置文件，通常情况下我们只需要继承这些标准配置文件，然后做一些简单的修改就可以。这些修改包括(数据路径、训练参数相关的修改注意的是，即便我们用的是标准的kitti数据集，在训练前我们还是需要利用mmdet3d提供的工具处理下数据，将零散的标注数据。阅读详情

文章目录

mmdetection3D学习文档

mmdetection3D学习文档

官方文档：https://mmdetection3d.readthedocs.io/zh_CN/latest/demo.html

项目下载地址：https://github.com/open-mmlab/mmdetection3d

安装环境

方法一

步骤一：首先配置pytorch环境（详见网上教程）

步骤二：如果安装的是CUDA11.0及以上版本，则可以直接通过以下命令进行MMDetection3D 的安装，否则就要使用方法二：

pip install openmim
mim install mmcv-full
mim install mmdet
mim install mmsegmentation
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -e .

方法二（我没用）

步骤 0. 通过MIM 安装 MMCV.

步骤 1. 安装 MMDetection.

pip install mmdet

同时，如果你想修改这部分的代码，也可以通过以下命令从源码编译 MMDetection：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
git checkout v2.24.0  # switch to v2.24.0 branch
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"

步骤 2. 安装 MMSegmentation.

pip install mmsegmentation

同时，如果你想修改这部分的代码，也可以通过以下命令从源码编译 MMSegmentation：

git clone https://github.com/open-mmlab/mmsegmentation.git
cd mmsegmentation
git checkout v0.20.0  # switch to v0.20.0 branch
pip install -e .  # or "python setup.py develop"

步骤 3. 克隆 MMDetection3D 代码仓库.

git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d

步骤 4. 安装依赖包和 MMDetection3D.

pip install -v -e .  # or "python setup.py develop"

有部分注意事项详见官方文档。

验证

通过点云样例程序来验证

我们提供了一些样例脚本去测试单个样本，预训练的模型可以从模型库中下载. 运行如下命令可以去测试点云场景下一个单模态的 3D 检测算法。

python demo/pcd_demo.py ${PCD_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--score-thr ${SCORE_THR}] [--out-dir ${OUT_DIR}]

例：

python demo/pcd_demo.py demo/data/kitti/kitti_000008.bin configs/second/hv_second_secfpn_6x8_80e_kitti-3d-car.py checkpoints/hv_second_secfpn_6x8_80e_kitti-3d-car_20200620_230238-393f000c.pth

注意：模型需要放到主目录的checkpoints文件夹中。

测试结束后会在demo文件夹下边生成一个kitti_000008文件夹，结构如下：