OpenPCDet train.py 代码

最新推荐文章于 2025-11-26 15:40:52 发布
原创 最新推荐文章于 2025-11-26 15:40:52 发布 · 212 阅读 · 0 ·
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：

#python

本文是关于OpenPCDet这个用于点云目标检测的开源项目的理解和学习，主要聚焦于train.py脚本的分析和作者的个人笔记。

OpenPCDet 是一个开源的、用于点云目标检测的项目，记录一下看完train.py之后的笔记

小懒猪谢-
关注
ubuntu 18.04 从零开始复现 OpenPCDet 训练nuSences数据集并评估 可视化 损失函数
jin15203846657的博客
02-23 6036
ubuntu 18.04 复现OpenPCDet来训练nuSences数据集 由于网上的教程几乎都是关于如何训练kitti数据集,而对于nuSences数据集的介绍和教程几乎没有,本人在此做一个记录,并向所有人open,大家可以省区一些弯路,希望可以帮到大家!...
Ubuntu22.04安装OpenPcDet训练kitti数据集(nuscenes-mini数据集）
RickySam的博客
07-18 5017
因为想要接触KITTI数据集，有相关项目需要配置OpenPcDet，而原服务器因系统重装为Ubuntu22.04版本，该版本较高故重新配置环境是需要参考各种渠道，在此将这些参考汇总，也方便自己以后再配置可以清晰一点。本文综合了多篇文章。
openpcdet-0.1 pointpillars train.py
djboy1021的博客
12-08 687
openpcdet-0.1 pointpillars train.py 注释不对的地方，请留言，谢谢。 pointpillars paper： link. code：link. def parge_config(): parser = argparse.ArgumentParser(description='arg parser') parser.add_argument('--cfg_file', type=str, default=None, help='specify the con
OpenPCDet-review
小昊同学
12-16 605
复习一下OpenPCDet，遇到一些问题，记录 1、数据预处理的过程中没有difficulty字段，但对应的配置文件中仍存在针对difficulty做的一些处理工作，应该把配置文件中对应的字段配置部分去掉 2、自定义自己的类 如KittiDataset等类，定义自己的类，记得在__init__.py中import ...
3D目标检测——使用OpenPCDet训练kitti数据集
weixin_68922189的博客
01-16 2674
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。
OpenPCDet解析
热门推荐
zyw2002的博客
10-20 1万+
OpenPCDet: Open-MMLab 面向LiDAR点云表征的3D目标检测代码库OpenPCDet的github链接OpenPCDet 是一套基于PyTorch实现的点云3D目标检测代码库。设计思想点云数据集（KITTI、NuScene、Lyft、Waymo、PandaSet等）在数据格式与3D坐标系上往往定义各不相同，各式各样的点云感知算法（point-based、 voxel-based、one-stage/two-stage等）也形态各异因此基于数据-模型分离。
openpcdet的train.py代码解析
10-31
我们被要求解析OpenPCDet中的train.py代码。根据引用[2]可知，train.py位于tools目录下，通常用于训练模型，例如运行命令：`python tools/train.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-...
Traceback (most recent call last): File "train.py", line 233, in <module> main() File "train.py", line 223, in main repeat_eval_ckpt( File "/home/dell-admin/OpenPCDet/tools/../test.py", line 123, in repeat_eval_ckpt tb_dict = eval_utils.eval_one_epoch( File "/home/dell-admin/OpenPCDet/tools/../eval_utils/eval_utils.py", line 125, in eval_one_epoch result_str, result_dict = dataset.evaluation( File "/home/dell-admin/OpenPCDet/tools/../pcdet/datasets/kitti/kitti_dataset.py", line 357, in evaluation from .kitti_object_eval_python import eval as kitti_eval File "/home/dell-admin/OpenPCDet/tools/../pcdet/datasets/kitti/kitti_object_eval_python/eval.py", line 74 ignored_dt.append(0) ^ IndentationError: unexpected indent
08-03
我们被要求解决一个Python代码中的缩进错误，具体错误是：train.py中出现了IndentationError unexpected indent，错误发生在kitti_object_eval_python的eval.py文件的第74行。 根据错误信息，这是一个缩进错误，...
Traceback (most recent call last): File "train.py", line 233, in <module> main() File "train.py", line 120, in main train_set, train_loader, train_sampler = build_dataloader( File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/__init__.py", line 57, in build_dataloader dataset = __all__[dataset_cfg.DATASET]( File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/kitti/kitti_dataset.py", line 23, in __init__ super().__init__( File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/dataset.py", line 31, in __init__ self.data_augmentor = DataAugmentor( File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/augmentor/data_augmentor.py", line 24, in __init__ cur_augmentor = getattr(self, cur_cfg.NAME)(config=cur_cfg) File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/augmentor/data_augmentor.py", line 40, in gt_sampling db_sampler = database_sampler.DataBaseSampler( File "/root/autodl-tmp/OpenPCDet/tools/../pcdet/datasets/augmentor/database_sampler.py", line 35, in __init__ sampler_cfg.DB_INFO_PATH[0] = sampler_cfg.BACKUP_DB_INFO['DB_INFO_PATH'] AttributeError: 'EasyDict' object has no attribute 'BACKUP_DB_INFO'
06-17
### 关于Python代码中EasyDict对象的AttributeError错误 在处理 `AttributeError: 'EasyDict' object has no attribute 'BACKUP_DB_INFO'` 错误时，通常表明尝试访问的对象属性（`BACKUP_DB_INFO`）并未在 `...
分析服务器报错Traceback (most recent call last): File "/home/hj/OpenPCDet_TJ4D/tools/train.py", line 229, in <module> main() File "/home/hj/OpenPCDet_TJ4D/tools/train.py", line 175, in main train_model( File "/home/hj/OpenPCDet_TJ4D/tools/train_utils/train_utils.py", line 173, in train_model accumulated_iter = train_one_epoch( File "/home/hj/OpenPCDet_TJ4D/tools/train_utils/train_utils.py", line 56, in train_one_epoch loss, tb_dict, disp_dict = model_func(model, batch) File "/home/hj/OpenPCDet_TJ4D/tools/../pcdet/models/__init__.py", line 42, in model_func ret_dict, tb_dict, disp_dict = model(batch_dict) File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/hj/OpenPCDet_TJ4D/tools/../pcdet/models/detectors/pointpillar.py", line 11, in forward batch_dict = cur_module(batch_dict) File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/hj/OpenPCDet_TJ4D/tools/../pcdet/models/backbones_3d/vfe/pillar_vfe.py", line 240, in forward File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/hj/OpenPCDet_TJ4D/tools/../pcdet/models/backbones_3d/vfe/pillar_vfe.py", line 73, in forward File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/container.py", line 139, in forward input = module(input) File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/modules/batchnorm.py", line 168, in forward return F.batch_norm( File "/home/hj/anaconda3/envs/pcdet/lib/python3.9/site-packages/torch/nn/functional.py", line 2438, in batch_norm return torch.batch_norm( RuntimeError: running_mean should contain 32 elements not 64
06-14
这个错误发生在OpenPCDet_TJ4D的pointpillar.py中的batch_norm操作。根据引用[1][2][3][4][5]，这个错误通常与批归一化（BatchNorm）层有关。错误信息表明，批归一化层期望的running_mean参数应该包含32个元素，但...
epochs: 0%| | 0/80 [00:00<?, ?it/s] Traceback (most recent call last): | 0/3740 [00:00<?, ?it/s] File "tools/train.py", line 201, in <module> main() File "tools/train.py", line 153, in main train_model( File "/home/lxcd/cudnn_samples_v8/mnistCUDNN/OpenPCDet/tools/train_utils/train_utils.py", line 111, in train_model accumulated_iter = train_one_epoch( File "/home/lxcd/cudnn_samples_v8/mnistCUDNN/OpenPCDet/tools/train_utils/train_utils.py", line 25, in train_one_epoch batch = next(dataloader_iter) File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 521, in __next__ data = self._next_data() File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 1203, in _next_data return self._process_data(data) File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 1229, in _process_data data.reraise() File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/_utils.py", line 434, in reraise raise exception TypeError: Caught TypeError in DataLoader worker process 0. Original Traceback (most recent call last): File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/_utils/worker.py", line 287, in _worker_loop data = fetcher.fetch(index) File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/_utils/fetch.py", line 49, in fetch data = [self.dataset[idx] for idx in possibly_batched_index] File "/home/lxcd/miniconda3/envs/marcnn/lib/python3.8/site-packages/torch/utils/data/_utils/fetch.py", line 49, in <listcomp> data = [self.dataset[idx] for idx in possibly_batched_index] File "/home/lxcd/cudnn_samples_v8/mnistCUDNN/OpenPCDet/pcdet/datasets/kitti/kitti_dataset.py", line 115, in __getitem__ data_dict = self.point_feature_encoder.encode(data_dict) File "/home/lxcd/cudnn_samples_v8/mnistCUDNN/OpenPCDet/pcdet/utils/point_feature_encoder.py", line 39, in encode encoded_feature = self.encoder_dict[feature_name](points[..., idx:idx+1]) TypeError: unhashable type: 'slice'
10-23
注意：由于用户问题中引用的错误信息是训练时出现的，所以重点检查训练配置文件（.yaml）和训练脚本（train.py）相关的部分。 </think>### OpenPCDet训练报错 `TypeError: unhashable type: 'slice'` 的解决方案 ...
win10 OpenPCDet 训练KITTI以及自己的数据集
m0_68312479的博客
08-06 1万+
win10 OpenPCDet 训练KITTI以及自己的数据集
在OpenPCDet训练KITTI
qq_38629290的博客
11-25 3089
1. 数据集准备工作 (1)按照官方给出的OpenPCDet中的KITTI数据集的组织方法，排布数据集 （2）然后运行下面的命令生成数据info python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml （3）会在kitti目录下面生成5个pkl文件 ： 2. 训练数据 python train.py --cfg_fil
3D目标检测——代码理解——OpenPCDet：数据处理kitti_dataset.py的理解
weixin_44128857的博客
09-10 1万+
OpenPCDet中kitti数据集的kitti_dataset.py的理解 OpenPCDet的源码：OpenPCDet的源码github地址 作者：史少帅博士本人对OpenPCDet的描述可以参看这篇文章：作者本人的中文描述 因为要根据kitti数据集的dataset来编写自己数据集的dataset，所以花了几天的时间对源码看了一遍，并把自己的理解注释在了上面，有些可能会理解的错了，希望和大家一起交流学习。 目前已经根据kitti数据集的dataset为自己的数据集robosense数据集编写了data
Python自动化测试框架开发
最新发布
2509_93945719的博客
11-26 394
封装requests时踩过坑，最初简单包装成通用方法，后来发现不同模块需要不同的超时策略和重试机制。框架开发过程中最大的体会是：好的设计不是一次性完成的，而是在不断踩坑、重构中迭代出来的。记住，自动化测试的终极目标不是追求100%覆盖率，而是用最小成本快速发现质量问题。最直观的变化是测试周期从原来的3天缩短到8小时，版本发布再也不用全员熬夜了。pytest的夹具机制比unittest灵活太多，特别是parametrize参数化，能轻松实现数据驱动。决定动手搭个统一的测试框架，把乱七八糟的脚本规范起来。
Java总结进阶之路 （基础二 ）
2509_94006474的博客
11-24 796
提示：java总结学习之路。
Python在机器学习中的模型训练
2509_93937153的博客
11-26 213
上周对比SVM和随机森林时，用Pipeline把预处理和训练步骤串起来，cross_val_score直接出十折交叉验证结果，整个实验可复现性极高。数据预处理这块绝对是重头戏。最近在做回归项目，r2_score和mean_squared_error这几个指标函数随调随用，省去了自己实现的麻烦。但平心而论，在常规业务场景下，从数据探索到模型上线的整个生命周期，Python的生态链确实做到了无缝衔接。很多库的默认参数就够用，想要精细调控又能深入底层，这种灵活性才是我们坚持用Python搞机器学习的根本原因。
【TensorRT】20250826 日志 - 开启FP16的问题
GG_Bruse的博客
11-23 255
博主最近遇到一个新模型需要转 Engine 的任务，打算采用 Ckpt - ONNX - Engine的方式，遇到了一些小问题，记录一下。
15：00开始面试，15：06就出来了，问的问题有点变态。。。
2301_78843735的博客
11-24 613
【摘要】本文分享了一位软件测试工程师的求职经历和面试经验。文章首先描述了作者遭遇降薪后寻求新工作的过程，并反思了在面试中因基础知识不足而失利的情况。随后系统整理了软件测试岗位的常见面试知识点，涵盖16个技术栈：包括测试理论、Linux、MySQL、Web/API/App测试、Python基础、性能测试等核心内容。其中详细列举了各技术栈的高频面试题，如测试步骤设计、Linux命令使用、Python编程题、MySQL优化等。最后提到完整的面试宝典包含近200页内容，旨在帮助求职者高效准备面试，提升通过率。
评论
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