W1995S的博客

# 分配目标def assign_targets_single(self, anchors, gt_boxes, gt_classes, matched_threshold=0.6, unmatched_threshold=0.45): # Car：匹配使用0.6和0.45的正负样本阈值 # anchors：[107136, 7] # gt_boxes：[num, 7] # gt_classes：[1, num] ,Car:全是1、Pedestrian:全是2、Cyclis

Sv+TnS_v +TnSv​+Tn定位：eval.py# 输入：gt_annos (3769,) ， dt_annos (3769,)def get_official_eval_result(gt_annos, dt_annos, current_classes, PR_detail_dict=None): overlap_0_7 = np.array([[0.7, 0.5, 0.5, 0.7, 0.5, 0.7], [0.7,

if len(gt_boxes) > 0 and anchors.shape[0] > 0: fg_gt_boxes = gt_boxes[anchor_to_gt_argmax[fg_inds], :] # gt_box！！！----真是样本框---- fg_anchors = anchors[fg_inds, :] # 前景anchor，即正样本！！！ bbox_targets[fg_inds, :] = self.box_coder.encode_torch(f

计算 分类 losscls_preds = self.forward_ret_dict['cls_preds'] # 类别预测结果 [N, H, W, C1]box_cls_labels = self.forward_ret_dict['box_cls_labels'] # box类别标签 [N, num_anchors]torch.Size([3, 248, 216, 18]) # 类别预测结果torch.Size([3, 321408]) # box类别标签tensor([[[[-4.

分类损失# ------------------------------------ 计算 分类 loss ----------------------------—----def get_cls_layer_loss(self): cls_preds = self.forward_ret_dict['cls_preds'] # 类别预测结果 [N, H, W, C1] = [3, 248, 216, 18] box_cls_labels = self.forward_ret_dict

定位：pcdet/models/dense_heads/target_assigner/axis_aligned_target_assigner.py# IOU 计算if len(gt_boxes) > 0 and anchors.shape[0] > 0: anchor_by_gt_overlap = iou3d_nms_utils.boxes_iou3d_gpu(anchors[:, 0:7], gt_boxes[:, 0:7]) \ if self.match

OpenPCDet的多标签分类损失函数使用的是focal loss，进行了自定义实现，代码如下：import numpy as npimport torchimport torch.nn as nnclass SigmoidFocalClassificationLoss(nn.Module): """ Sigmoid focal cross entropy loss. """ def __init__(self, gamma: float = 2.0, alpha

# 残差编码器class ResidualCoder(object): def __init__(self, code_size=7, encode_angle_by_sincos=False, **kwargs): super().__init__() self.code_size = code_size self.encode_angle_by_sincos = encode_angle_by_sincos # 通过sin/cos编码角度

Car AP_R40@0.70, 0.50, 0.50:bbox AP:95.5675, 92.1874, 91.3088bev AP:95.6500, 94.7010, 93.99183d AP:95.6279, 94.5680, 93.6853aos AP:95.54, 91.98, 90.94Pedestrian AP@0.50, 0.50, 0.50:bbox AP:65.0374, 61.3875, 57.8241bev AP:60.1475, 54.9657, 51.17

网络部分包含4部分：（1）PillarVFE pcdet/models/backbones_3d/vfe/pillar_vfe.py # 3D卷积（2）PointPillarScatter pcdet/models/backbones_2d/map_to_bev/pointpillar_scatter.py # 2D卷积（3）BaseBEVBackbone pcdet/models/backbones_2d/base_bev_backbone..

一个 data_dict：'batch_size'： 3 # 3帧点云'points' torch.Size([69375, 5]) # 点数目可变 猜测(? x y z r)'frame_id' (3,) # 帧编号'gt_boxes' torch.Size([3, 40, 8]) # 3帧点，好像每帧最多40个ground truth，[x, y, z, 长dx, 宽dy, 高dz, 角度heading,

一个 data_dict：'batch_size'： 3 # 3帧点云'points' torch.Size([69375, 5]) # 点数目可变 猜测(? x y z r)'frame_id' (3,) # 帧编号'gt_boxes' torch.Size([3, 40, 8]) # 3帧点，好像每帧最多40个ground truth，[x, y, z, 长dx, 宽dy, 高dz, 角度heading,

pointpillar点云范围 [0, -39.68, -3, 69.12, 39.68, 1]x轴：69.12/0.16=432y轴：39.68x2/0.16=496num_voxel：432x496=214272一个 batch_dict：'batch_size'： 3 帧点云'points' torch.Size([69375, 5]) # 点数目可变 猜测(? x y z r)'frame_id' (3,) # 帧编号

遍历所需模块: PillarVFE( (pfn_layers): ModuleList( (0): PFNLayer( (linear): Linear(in_features=10, out_features=64, bias=False) (norm): BatchNorm1d(64, eps=0.001, momentum=0.01, affine=True, track_running_stats=True) ) ))遍历所需模块: P

README.mdsetup.pypcdet/__init__.pypcdet/config.pypcdet/version.pypcdet.egg-info/PKG-INFOpcdet.egg-info/SOURCES.txtpcdet.egg-info/dependency_links.txtpcdet.egg-info/requires.txtpcdet.egg-info/top_level.txtpcdet/datasets/__init__.pypcdet/datasets/

python train0.py --cfg_file=cfgs/kitti_models/pointpillar.yamlargsNamespace(batch_size=4, cfg_file='cfgs/kitti_models/pointpillar.yaml', ckpt=None, ckpt_save_interval=1, epochs=80, extra_tag='default', fix_random_seed=False, launcher='none', local_rank

进入data/kitti/ImageSets/val.txt，其中的数字即为我们要测试的点云数据，默认是3769个，将其修改为想要测试的点云文件的序号即可。更新一下代码：python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml...

1. train在tools/train.py中找到以下表示开始训练的代码 # -----------------------start training--------------------------- logger.info('**********************Start training %s/%s(%s)**********************' % (cfg.EXP_GROUP_PATH, cfg.TAG, args.extra_

根据tools/cfgs/dataset_configs/kitti_dataset.yaml锁定相应模块（一）数据增强info：output/kitti_models/pv_rcnn/default/log_train.txt第42行用到了以下几个数据增强器DATA_CONFIG: DATA_AUGMENTOR: AUG_CONFIG_LIST: - NAME: gt_samplinggt_sampling及以下的各个函数均定位在pcdet/d

DATASET: 'KittiDataset'DATA_PATH: '../data/kitti' #数据路径POINT_CLOUD_RANGE: [0, -40, -3, 70.4, 40, 1] #点云范围#数据分割DATA_SPLIT: { 'train': train, 'test': val}#信息路径INFO_PATH: { 'train': [kitti_infos_train.pkl], 'test': [kitti_infos_val.p

# 类名CLASS_NAMES: ['Car', 'Pedestrian', 'Cyclist']# 数据配置DATA_CONFIG: _BASE_CONFIG_: cfgs/dataset_configs/kitti_dataset.yaml # 基本配置 POINT_CLOUD_RANGE: [0, -39.68, -3, 69.12, 39.68, 1] #点云范围 # 数据处理器 DATA_PROCESSOR: - NAME: mask_p

数据集配置位于tools / cfgs / dataset_configs内，模型配置位于针对不同数据集的tools / cfgs中。数据集准备目前，我们提供了KITTI数据集和NuScenes数据集的数据加载器，并且正在支持更多数据集。KITTI数据集请下载官方的KITTI 3D对象检测数据集，并按以下方式组织下载的文件（可以从[road plane]下载路面，这对于培训中的数据增强是可选的）：注意：如果您已经有来自的数据信息pcdet v0.1，则可以选择使用旧的信息，并将tools / c

https://github.com/open-mmlab/OpenPCDet

前言随着自动驾驶与机器人技术的不断发展，基于点云表征的3D目标检测领域在近年来取得了不断的发展。然而，层出不穷的点云数据集（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，使得相关研究者难以在一个统一的框架内进行各种组合实验。为此，我们开源了一套基于PyTorch实现的点云3D目标检测代码库 - OpenPCDet