PCDet项目自定义数据集构建完整指南

PCDet项目自定义数据集构建完整指南

OpenPCDet 项目地址: https://gitcode.com/gh_mirrors/ope/OpenPCDet

前言

在3D目标检测领域，PCDet作为一个优秀的开源框架，支持多种先进的点云检测算法。但在实际应用中，开发者常常需要处理自定义数据集。本文将详细介绍如何在PCDet框架中构建和使用自定义点云数据集，帮助开发者快速实现从数据准备到模型训练的全流程。

数据集格式规范

点云数据格式

PCDet要求点云数据以.npy格式存储，这是NumPy的标准二进制格式，具有加载速度快、存储效率高的特点。每个点云文件应包含N×D的矩阵，其中：

• N代表点的数量
• D代表每个点的特征维度（至少包含x,y,z坐标，可包含强度等附加特征）

标注文件格式

标注信息存储在.txt文件中，每行对应一个3D边界框，格式如下：

x y z dx dy dz heading_angle category_name

其中：

• (x,y,z)：边界框中心坐标
• (dx,dy,dz)：边界框长宽高尺寸
• heading_angle：物体朝向角度（弧度制）
• category_name：物体类别名称

示例：

1.50 1.46 0.10 5.12 1.85 4.13 1.56 Vehicle
5.54 0.57 0.41 1.08 0.74 1.95 1.57 Pedestrian

数据集目录结构

正确的目录结构是确保数据加载正常的关键，建议按以下方式组织：

data
├── custom
│   ├── ImageSets
│   │   ├── train.txt    # 训练集文件名列表
│   │   └── val.txt      # 验证集文件名列表
│   ├── points
│   │   ├── 000000.npy   # 点云数据文件
│   │   └── ...
│   └── labels
│       ├── 000000.txt   # 标注文件
│       └── ...

注意：

1. ImageSets中的文本文件只需包含文件名（不含扩展名）
2. 点云文件与标注文件应一一对应，且文件名相同

配置文件调整

点云特征配置

在custom_dataset.yaml中需要根据实际数据调整点云特征设置：

POINT_FEATURE_ENCODING:
    encoding_type: absolute_coordinates_encoding
    used_feature_list: ['x', 'y', 'z', 'intensity']  # 使用的特征
    src_feature_list: ['x', 'y', 'z', 'intensity']   # 原始数据中的特征顺序

如果点云不包含强度信息，可调整为：

used_feature_list: ['x', 'y', 'z']
src_feature_list: ['x', 'y', 'z']

点云范围与体素化参数

对于基于体素的检测器（如SECOND、PV-RCNN等），需要特别注意：

1. Z轴范围与体素大小的比值应为40
2. XY轴范围与体素大小的比值应为16的倍数

例如：

POINT_CLOUD_RANGE: [0, -40, -3, 70.4, 40, 1]  # [x_min, y_min, z_min, x_max, y_max, z_max]
VOXEL_SIZE: [0.05, 0.05, 0.1]  # 体素大小

类别与锚框配置

需要根据自定义数据集的类别调整相关参数：

CLASS_NAMES: ['Vehicle', 'Pedestrian', 'Cyclist']  # 自定义类别名称

# 与KITTI类别的映射关系（用于评估）
MAP_CLASS_TO_KITTI:
    'Vehicle': 'Car'
    'Pedestrian': 'Pedestrian'
    'Cyclist': 'Cyclist'

# 锚框尺寸配置（每个类别对应一组长宽高）
anchor_sizes: [[3.9, 1.6, 1.56], [0.8, 0.6, 1.73], [1.76, 0.6, 1.73]]

# 数据增强参数
PREPARE:
    filter_by_min_points: ['Vehicle:5', 'Pedestrian:5', 'Cyclist:5']  # 最小点数过滤
SAMPLE_GROUPS: ['Vehicle:20', 'Pedestrian:15', 'Cyclist:15']  # 各类别采样比例

数据信息文件生成

完成上述配置后，需要生成数据信息文件：

python -m pcdet.datasets.custom.custom_dataset create_custom_infos tools/cfgs/dataset_configs/custom_dataset.yaml

该命令会生成以下文件：

• custom_infos_train.pkl：训练集信息
• custom_infos_val.pkl：验证集信息

模型训练与评估

训练启动

使用标准训练命令即可开始训练：

python train.py --cfg_file tools/cfgs/custom_models/pointrcnn.yaml

评估注意事项

PCDet目前主要支持KITTI风格的评估方式，因此需要通过MAP_CLASS_TO_KITTI将自定义类别映射到KITTI的标准类别。评估指标包括：

1. 3D检测精度（AP）
2. BEV（鸟瞰图）检测精度
3. 不同难度级别的检测结果

常见问题与技巧

1. 数据增强优化：根据自定义数据集特点调整gt_sampling等数据增强策略
2. 类别不平衡处理：通过调整SAMPLE_GROUPS参数平衡各类别样本
3. 小物体检测：适当减小体素大小，但需注意显存消耗
4. 自定义评估指标：可继承KITTI评估类实现特定评估逻辑

结语

通过本文的指导，开发者应能够顺利地在PCDet框架中使用自定义点云数据集进行3D目标检测任务。实际应用中，可能需要根据具体场景对参数进行进一步调优，特别是点云范围、体素大小和锚框设计等关键参数。建议从小规模数据开始验证，逐步扩展到完整数据集，以提高开发效率。

OpenPCDet 项目地址: https://gitcode.com/gh_mirrors/ope/OpenPCDet