openPCdet自定义数据集训练
*
– openPCdet 代码框架
– 实现自定义数据集导入的流程
– 自定义数据集类的编写
openPCdet 代码框架
openPCdet是由香港中文大学MMLab实验室开源的轻量话激光雷达点云目标检测框架，它定义了一种统一的3D坐标系以及采用了数据与模型分离的高层代码设计思想，使用起来非常方便，具体介绍可以看下面的链接：
点云3D检测开源库
项目github地址
实现自定义数据集导入的流程
- 基于模板类dataset实现自定义数据集类的编写（可以仿照kitti编写）
- 编写自定义数据集类的配置文件（yaml）编写
- 编写网络配置文件
实现了以上步骤之后，就可以开始训练了，下面附上我训练过程中的图片，这里采用的是pointpillar网络
; 自定义数据集类的编写
首先需要继承模板类dataset，下面是其中的基本方法 类结构：
其中比较重要的就是getlidar(),getlabel()方法的实现，这两个方法实现了获取点云数据以及获取点云标签。然后需要注意在get_info()中需根据不同的数据集标注文件中3D坐标系的定义构建不同的坐标转换方式转换到统一的3D坐标系中。
我这里使用的的是万集发布的路侧激光雷达数据集，代码如下：
def get_lidar(self, idx):
"""Loads point cloud for a sample
Args:
index (int): Index of the point cloud file to get.
Returns:
np.array(N, 4): point cloud.
"""
lidar_file = self.root_split_path / 'velodyne' / ('%s.bin' % idx)
assert lidar_file.exists()
return np.fromfile(str(lidar_file), dtype=np.float32).reshape(-1, 4)
def get_label(self, idx):
label_file = self.root_split_path / 'label' / ('%s.txt' % idx)
assert label_file.exists()
objects = []
with open(label_file, 'r') as f:
for i in f.readlines():
object1 = i.strip('\n').split(',')
objects.append(object1)
return objects
根据万集数据集标注文件，重写get_info()函数如下：
def get_infos(self, num_workers=4, has_label=True, count_inside_pts=True, sample_id_list=None):
import concurrent.futures as futures
def process_single_scene(sample_idx):
info = {}
pc_info = {'num_features': 4, 'lidar_idx': sample_idx}
info['point_cloud'] = pc_info
if has_label:
obj_list = self.get_label(sample_idx)
annotations = {}
annotations['type'] = np.array([int(obj[1]) for obj in obj_list])
num_gt = len(annotations['type'])
names = np.empty(num_gt, dtype="U30")
j = 0
for i in annotations['type']:
name = self.id_to_type(i)
names[j] = name
j = j + 1
annotations['name'] = names.reshape(num_gt)
annotations['x'] = np.array([float(obj[2]) for obj in obj_list]).reshape(num_gt, 1)
annotations['y'] = np.array([float(obj[3]) for obj in obj_list]).reshape(num_gt, 1)
annotations['z'] = np.array([float(obj[4]) for obj in obj_list]).reshape(num_gt, 1)
annotations['l'] = np.array([float(obj[7]) for obj in obj_list]).reshape(num_gt, 1)
annotations['w'] = np.array([float(obj[8]) for obj in obj_list]).reshape(num_gt, 1)
annotations['h'] = np.array([float(obj[9]) for obj in obj_list]).reshape(num_gt, 1)
annotations['rotation_y'] = np.array([float(obj[6]) for obj in obj_list]).reshape(num_gt, 1)
x = annotations['x'] / 100
y = annotations['y'] / 100
z = annotations['z'] / 100
l = annotations['l'] / 100
w = annotations['w'] / 100
h = annotations['h'] / 100
rots = annotations['rotation_y'] * (np.pi / 180)
gt_boxes_lidar = np.concatenate([x, y, z, l, w, h, rots], axis=1)
annotations['gt_boxes_lidar'] = gt_boxes_lidar
info['annos'] = annotations
return info
sample_id_list = sample_id_list if sample_id_list is not None else self.sample_id_list
with futures.ThreadPoolExecutor(num_workers) as executor:
infos = executor.map(process_single_scene, sample_id_list)
return list(infos)
大概比较重要的就是上面的三个方法的实现，由于我是仿照kitti实现的，所以也学习了kitti制作了pkl格式文件实现了数据的预加载，即在训练之前需要create_info，调用如下语句即可：
python -m pcdet.datasets.Dair.Dair_dataset create_Dair_infos tools/cfgs/dataset_configs/Dair_dataset.yaml
实现了数据的准备就可以开始训练了
Original: https://blog.csdn.net/qq_45297395/article/details/123478922
Author: Eric Jim
Title: openPCdet 实现自定义点云数据集训练
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/727482/
转载文章受原作者版权保护。转载请注明原作者出处！