pointpillar（OpenPCDet）介绍、安装、评价指标介绍

1.pointpillar介绍

pointnet++直接将点云作为输入进行训练。VoxelNet首先将点云进行体素化表示，再对体素化后的数据进行训练，本质上还是对三维数据的训练。为了减少计算损耗，pointpillar先将点云划分为各个 pillar再将处理后的数据映射到二维空间，大大减少了计算资源的消耗。

pointnet:知骤：细嚼慢咽读论文：PointNet论文及代码详细解析

点云体素化方法：点云体素化-优快云博客

voxelNet:周威：【3D物体检测】VoxelNet论文和代码解析

pointpillar：周威：【3D目标检测】PointPillars论文和代码解析

2.pointpillar安装

安装OpenPCDet

Linux操作系统（Ubuntu 14.04/16.04/18.04/20.04/21.04/22.04）
Python 3.6或更高版本
PyTorch 1.1或更高版本（测试了1.1, 1.3, 1.5到1.10）
安装链接：https://github.com/open-mmlab/OpenPCDet

创建虚拟环境

conda create -n pcdet python==3.7

激活环境

conda activate pcdet

pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f https://download.pytorch.org/whl/torch_stable.html
pip install -r requirements.txt

• 运行以下的命令安装pcdet库

​
python setup.py develop

准备数据集

官方的KITTI数据集下载链接如下:KITT数据集官方下载链接
OpenPCDet
├── data
│   ├── kitti
│   │   │── ImageSets
│   │   │── training
│   │   │   ├──calib & velodyne & label_2 & image_2 & (optional: planes) & (optional: depth_2)
│   │   │── testing
│   │   │   ├──calib & velodyne & image_2
├── pcdet
├── tools

在完成数据集的准备之后我们再对数据集进行处理,从而生成kitti_gt_database中的的 .bin 格式的文件和.pkl 格式文件，处理的命令如下：

python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml

测试、训练与演示

//演示文件
python demo.py --cfg_file cfgs/kitti_models/pointpillar.yaml --ckpt ../output/kitti_models/pointpillar/default/ckpt/latest_model.pth --data_path ../data/kitti/testing/velodyne/000034.bin
//测试文件
cd tools
python test.py --cfg_file cfgs/kitti_models/pointpillar.yaml --batch_size 4 --ckpt ../output/kitti_models/pointpillar/default/ckpt/latest_model.pth
//训练文件
cd tools
python train.py --cfg_file ./cfgs/kitti_models/pointpillar.yaml --epochs 100

3.评价指标

训练密完成后输出评价指标如下：

Car coco AP@0.50:0.05:0.95:
bbox AP:72.62, 68.94, 67.36
bev  AP:70.40, 66.24, 64.21
3d   AP:61.57, 56.84, 54.95
aos  AP:0.17, 0.93, 1.76
Cyclist coco AP@0.25:0.05:0.70:
bbox AP:79.73, 67.53, 65.18
bev  AP:73.43, 58.34, 56.04
3d   AP:70.07, 54.83, 52.43
aos  AP:0.87, 1.93, 1.79
Pedestrian coco AP@0.25:0.05:0.70:
bbox AP:54.61, 53.78, 50.98
bev  AP:59.19, 54.69, 50.82
3d   AP:54.40, 50.16, 47.19
aos  AP:5.73, 6.01, 5.94
Van coco AP@0.50:0.05:0.95:
bbox AP:33.89, 29.62, 27.60
bev  AP:35.59, 30.77, 28.82
3d   AP:28.08, 24.45, 22.28
aos  AP:0.36, 0.16, 0.54

PointPillars 的评价指标基于 COCO-style AP（Average Precision） 计算方式，对不同类别的目标（如 Car、Cyclist、Pedestrian、Van）分别评估了 2D检测、Bird’s Eye View (BEV)检测、3D检测以及角度相似度 (AOS)，具体解释如下：

类别含义

COCO-style AP 采用 多尺度 IoU（Intersection over Union）阈值，计算 AP 时，不同类别的 IoU 设定不同的范围：Car 类别：AP 计算基于 IoU ∈ [0.50:0.05:0.95]（从 0.50 到 0.95，步长 0.05） Cyclist & Pedestrian 类别：AP 计算基于 IoU ∈ [0.25:0.05:0.70]（从 0.25 到 0.70，步长 0.05） Van 类别：AP 计算基于 IoU ∈ [0.50:0.05:0.95]（同 Car） COCO AP 计算方法：

 

指标含义

每个类别都计算以下四个主要指标： bbox AP：2D 边界框检测（基于图像的目标检测）。 bev AP：Bird’s Eye View（BEV，俯视视角的检测）。 3d AP：完整的 3D 检测，评估目标在三维空间的检测精度。 aos AP：角度相似度 (AOS, Average Orientation Similarity)，评估目标的方向估计精度。