qq_71861772的博客

利用Anaconda来配置pytorch和paddle深度学习环境，利用labelimg制作目标检测数据集，再将标注好的数据集划分为训练集和验证集。从Github上克隆 YOLOv5源码，修改相应的配置文件，添加预训练权重来训练模型，并进行推理测试。得到训练好的最好的权重，对图像视频进行推理，取得了不错的效果。

用YOLOv5s训练KITTI数据集

YOLOv8训练coco128数据集

打开pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py和kitti-3d-3class.py文件，分别对其内容进行修改。新建Python 脚本 generate_kitti_splits.py，它可以创建 KITTI 数据集所需的 train.txt 和 test.txt 文件，并生成相应的空文件结构。本实验采用的是整个KITTI数据集，故下面的。

本文主要介绍了在利用Anaconda配置环境时，常用到的一些命令。

通过反复的训练和参数调整，最后得到最优的神经网络模型。从标定结果的图片来看，标定结果能够较好地反映了物体的实际情况，每条线段能够较好地与棋盘格的线段相重合，但仍然会存在着一些误差导致二者的线段无法重合，我认为主要是由激光雷达的精度、相机的内参以及目标对象的一些问题（例如标定板精度不高，标定板过远或过近，标定板倾斜或歪曲等）导致的。由实验结果，我们可以看出雷达和视觉融合检测相较于单一传感器来说，获取的数据量更丰富（例如目标对象的大小、形状、位置、类别概率等信息），检测精度更高，有较好的实时性，鲁棒性更好。