KITTI Pointpillars 3D目标检测结果解释

最新推荐文章于 2025-10-26 19:54:54 发布
原创 最新推荐文章于 2025-10-26 19:54:54 发布 · 4k 阅读 · 48 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #3d

本文介绍使用PointPillars模型在KITTI数据集上进行3D目标检测的方法，并详细解读了KITTI官方评估指标，包括2D、BEV、3D及AOS等指标的含义及其计算方式。

KITTI Pointpillars 3D目标检测结果解释

举例
这是在Openpcdet点云目标检测库下训练pointpillars的一部分输出结果
output

绿色框表示类别，如图这是Car类。包括Car、pedestrian、Cyclist三类目标。

黄色框表示KITTI官方的四种目标检测评估指标，即bbox(2D),bev,3d,aos。
【以下为Pointpillars原论文中对结果的解释】

All detection results are measured using the official KITTI evaluation detection metrics
which are: bird’s eye view (BEV), 3D, 2D, and average orientation similarity (AOS)

红色框表示精确度（AP）。在输出结果中还存在一个AP_R40，查看相关代码。可以看到AP和AP_R40,是两种不同计算方式下的精确度。

def get_mAP(prec):
    sums =
最低0.47元/天 解锁文章
OpenPCDet系列 | 7.PointPillars模型测试KITTI数据集流程解析
Clichong
05-10 1497
对于模型来说，训练过程是为了计算构建损失训练模型的参数，验证过程是为了测试模型当前参数的效果。所以，对于模型结构来说需要分别为测试过程和训练过程进行分别规划。在点云的3d检测中，这里主要体现在dense_head预测层中。对于模型来说，其与训练流程的区别结构图如下。
【3D目标检测】KITTI数据集
静谧、淡雅
02-21 2360
KITTI 数据集 数据集下载： 下载地址： http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d 解压后为四部分内容： 相机校准矩阵calib、RGB图像image_2（.png格式）、标签label_2、点云数据velodyne对应的testing和training数据。其中，training数据为7481张（图片和点云对应的场景）,testing数据（无label_2数据）。 velodyne：velodyn
3D目标检测数据集 KITTI（标签格式解析、3D框可视化、点云转图像、BEV鸟瞰图）
黎国溥
09-09 3万+
本文介绍在3D目标检测中，理解和使用KITTI 数据集，包括KITTI 的基本情况、下载数据集、标签格式解析、3D框可视化、点云转图像、画BEV鸟瞰图等，并配有实现代码。 1、KITTI数据集3D框可视化 2、KITTI 3D数据集 3、下载数据集 4、标签格式 5、标定参数解析 6、点云数据-->投影到图像 7、图像数据-->投影到点云 8、可视化图像2D结果、3D结果 9、点云3D结果-->图像BEV鸟瞰图结果（坐标系转换） 10、绘制BEV鸟瞰图 11、BEV鸟瞰图画
PointPillars_misc:脚本记录Kitti数据集上PointPillars模型的结果
04-02
PointPillars_misc 脚本记录Kitti数据集上PointPillars模型的结果
利用KITTI odometry数据集构建点云地图，并根据当前帧点云与地图点云实现定位
最新发布
2301_80478410的博客
10-26 728
本文围绕 KITTI odometry 07 号数据集，介绍点云地图构建与定位流程。先安装 PCL、Eigen 库，下载数据集及 pose 文件；通过 C++ 代码将.bin 点云转为.pcd 并过滤远距离点；再转换相机 pose 到激光雷达坐标系，叠加并降采样生成全局地图；最后用 NDT 算法，结合地图与单帧点云实现定位，输出位置信息并可视化。
【KITTI数据集】PointPillars点云3D目标检测结果的可视化
Doraemon_Zzn的博客
08-05 3455
结果 修改的是PointPillars这个网络模型，参考PointRCNN可视化部分，网络地址，目前只训练车辆的检测部分。 工作：1.一开始框很多，修改了NMS；2.显示score比较高的框； 000037.png 预测结果，红色的是label，预测和label都画出了朝向。 参考 https://github.com/kuixu/kitti_object_vis https://github.com/sshaoshuai/PointRCNN https://blog.youkuaiyun.com/tiatiat
Pointpillar算法复现结果分析
qq_52889317的博客
10-09 2118
由于原论文中作者只给出了基于测试集的数据结果分析（结果如下），在自己花了一天的时间训练之后与官网中作者给出的验证集结果进行对比。
KITTI数据集3d目标检测的评价的含义
qq_39025922的博客
04-14 1万+
kitti数据集评价的含义kitti数据集的相关介绍kitti数据集3d目标检测的评价参考文献 kitti数据集的相关介绍 论文: are we ready for autonomous driving the kitti vision benchmark suite kitti数据集下载及解析，参考博客: KITTI数据集下载及解析 和 KITTI数据集下载（百度云） （这两个博客真的良心，感谢作者！！！） kitti数据集3d目标检测的评价 kitti数据集可以针对很多下游任务。本文只针对3d目标检
基于kitti数据集的3D目标检测算法的训练流程
qq_52889317的博客
09-27 2459
基于kitti数据集的3D目标检测算法准备全流程，包括各种博主自己在复现过程中踩到的坑
KITTI 3D目标检测数据集解析（完整版）
热门推荐
Sual
07-24 4万+
KITTI官网 Vision meets Robotics: The KITTI Dataset 1. KITTI数据集概述 1.1 传感器配置   由于彩色相机成像过程中的拜耳阵列(Bayer Pattern)插值处理过程，彩色图像分辨率较低，而且对于光照敏感性不高，所以采集车配备了两组双目相机，一组灰度的，一组彩色的。个人猜测为了增加相机的水平视场角，每个相机镜头前又各安装了一个光学镜头。 传感器类型 详细信息 灰度相机 2台140像素的PointGray..
3D目标检测——使用OpenPCDet训练kitti数据集
weixin_68922189的博客
01-16 2688
以下内容，均在linux系统上进行。下载OpenPCDet-master项目配好环境之后，首先使用python setup.py develop 调用编译代码进行编译。
kitti-object-eval-python:在Python中快速进行kitti对象检测评估（在不到10秒的时间内完成评估）
05-15
kitti对象评估python 在python中快速进行kitti对象检测评估（在不到10秒的时间内完成评估），支持2d / bev / 3d / aos。 ，支持可可式AP。 如果使用命令行界面，numba需要一些时间来编译jit函数。 警告：“ coco”不是官方指标。 仅“ AP（平均精度）”是。 依存关系 仅支持python 3.6+，需要numpy ， skimage ， numba ， fire和scipy 。 如果您有Anaconda，只需在anaconda中安装cudatoolkit 。 否则，请参考此为numba设置llvm和cuda。 通过conda安装： conda install -c numba cudatoolkit=x.x (8.0, 9.0, 10.0, depend on your environment) 用法 命令行界面： python
semantic-kitti-api:用于可视化数据集、处理数据和评估结果的 SemanticKITTI API
08-04
语义KITTI的API 此存储库包含帮助程序脚本，用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。 链接到原始数据集 链接到。 链接到 SemanticKITTI 基准。 链接到 SemanticKITTI MOS 基准（在 SemanticKITTI 网站添加 MOS 后可能会删除）。 序列 13 中的 3D 点云示例： 序列 13 中的 2D 球面投影示例： 用于语义场景完成的体素化点云示例： 数据组织 数据按以下格式组织： /kitti/dataset/ └── sequences/ ├── 00/ │   ├── poses.txt │ ├── image_2/ │
端到端的3D点云目标检测：Complex-YOLO（一）———KITTI数据集解析
“知识最大的敌人不是无知，而是错觉”
05-26 7827
博主最近一直都在看3D点云目标检测，且有一个可视化课设要结，还有一个CV课设，太酸爽了。 搜了一些paper，发现3D点云目标检测论文都不带公开源码的，GitHub上找项目配置来配置去总是会报一系列的错误，比如我上一个博客想要把CenterPoint跑起来，结果夭折了，配了半天（且把办公室的电脑重装了n遍系统），最终还是放弃了，毕竟玩不懂nuScenes数据集。 BUT!!! 带YOLO字眼的检测项目简直就是正道的光啊！！而且KITTI数据集明显更容易分析~ 那就开始我们的3D点云检测之旅吧。 文章目录.
点云 3D 目标检测 - PointPillars（CVPR 2019）
77wpa的博客
03-08 1万+
点云 3D 目标检测 - PointPillars1. 文章信息2. PointPillars 简介2.1 算法特点2.2 模型结构2.2.1 Pillar Feature Net2.2.2 Backbone (2D CNN)2.2.3 Detection Head (SSD) 1. 文章信息 文章标题 PointPillars: Fast Encoders for Object Detection from Point Clouds (2019) 文章链接 https://arxiv.org/ab
KITTI 3D Object Detection Evaluation 结果评估程序
Work hard
11-01 8045
KITTI 3D Object Detection Evaluation 结果评估程序KITTI 3D Object Detection结果评估程序下载程序（工具包）对预测结果进行评估1.预测结果存放格式2.标签和预测结果存放目录3.如何使用评估文件 KITTI 3D Object Detection结果评估程序 下载程序（工具包） 在对KITTI数据集进行预测得到结果后，如何对结果进行评估呢？ ...
一文教你读懂3D目标检测
Z's Palace
05-06 2万+
本文共4593字，预计需要20分钟，可以先收藏再看哦1 简介目标检测是计算机视觉领域的传统任务，与图像识别不同，目标检测不仅需要识别出图像上存在的物体，给出对应的类别，还需要将该物体的位置通过最小包围框（Bounding box）的方式给出。根据目标检测需要输出结果的不同，一般将使用RGB图像进行目标检测，输出物体类别和在图像上的最小包围框的方式称为2D目标检测，而将使用RGB图像、RGB-D深度...
3d目标检测结果可视化
qq_45504244的博客
06-17 2719
mmdetection3d中点云检测目标可视化
点云 3D 物体检测结果（SECOND、Pointpillars、PointRCNN）的几种可视化方法
jin15203846657的博客
02-09 6179
KITTI点云 3D 物体检测结果的 五种 可视化方法
利用KITTY数据集做目标检测项目
02-26
### 使用 KITTI 数据集实现目标检测项目 #### 获取数据集 为了使用 KITTI 数据集进行目标检测的研究或开发工作，需先访问官方提供的下载页面获取所需的数据文件[^1]。 #### 准备环境 确保安装了必要的库来处理图像和点云数据。常用的Python包有`numpy`, `opencv-python`, 和专门用于3D视觉任务的`open3d`等工具。可以通过pip命令轻松安装这些依赖项： ```bash pip install numpy opencv-python open3d ``` #### 加载与预览数据 KITTI提供了多种类型的传感器数据，包括彩色图片、灰度图以及LiDAR扫描得到的三维点云信息。对于每种模态的数据读取方法如下所示： - **加载RGB图像** 可利用OpenCV或其他图像处理库打开并显示JPEG格式的照片。 ```python import cv2 img_path = 'path_to_kitti_dataset/image_02/<sequence_id>/<frame>.png' image = cv2.imread(img_path) cv2.imshow('Image', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` - **解析标签文件** 标签通常保存在一个文本文件中，每一行代表一个物体实例及其属性（位置、尺寸、类别）。可以编写简单的脚本来提取感兴趣的信息。 ```python def parse_label_file(label_filepath): with open(label_filepath, 'r') as f: lines = f.readlines() objects = [] for line in lines: obj_info = line.strip().split(' ') class_name = obj_info[0] bbox = list(map(float, obj_info[4:8])) # xmin ymin xmax ymax dimensions = list(map(float, obj_info[8:11])) # height width length location = list(map(float, obj_info[11:14])) # x y z (in camera coords.) rotation_y = float(obj_info[14]) # Rotation around Y-axis object_dict = { "class": class_name, "bbox": bbox, "dimensions": dimensions, "location": location, "rotation_y": rotation_y } objects.append(object_dict) return objects ``` - **可视化点云数据** 对于激光雷达产生的点云数据，可借助开源软件如PCL(Point Cloud Library) 或者 Python中的 Open3D 库来进行渲染查看。 ```python import open3d as o3d import numpy as np pcd_path = 'path_to_kitti_dataset/velodyne_points/data/<frame>.bin' points = np.fromfile(pcd_path, dtype=np.float32).reshape(-1, 4)[:, :3] point_cloud = o3d.geometry.PointCloud() point_cloud.points = o3d.utility.Vector3dVector(points) o3d.visualization.draw_geometries([point_cloud]) ``` #### 构建模型架构 针对KITTI的目标检测挑战赛，可以选择现有的先进算法框架作为起点，比如基于深度学习的方法MonoDISMONO, Stereo R-CNN 等。也可以考虑采用两阶段或多视角融合策略提高精度。 #### 训练与评估 完成上述准备工作之后就可以着手训练自己的模型了。记得划分好训练集验证集测试集的比例，并定期在验证集上监控性能指标以调整超参数设置；最终通过提交至KITTIEvaluation Server获得正式的成绩反馈。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值