首页 > 分享 > OpenPCDet 训练KITTI

OpenPCDet 训练KITTI

萌宠菠菠乐园
2024-10-24 02:56

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road planes，这对于训练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 / cfgs / dataset_configs / kitti_dataset.yaml中的DATABASE_WITH_FAKELIDAR选项设置为True。第二个选择是您可以再次创建infos和gt数据库，并保持配置不变。

OpenPCDet ├── data │ ├── kitti │ │ │── ImageSets │ │ │── training │ │ │ ├──calib & velodyne & label_2 & image_2 & (optional: planes) │ │ │── testing │ │ │ ├──calib & velodyne & image_2 ├── pcdet ├── tools 12345678910 通过运行以下命令来生成数据信息：

python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml 1

会在kitti目录下面生成5个pkl文件：
在这里插入图片描述

NuScenes数据集

请下载官方的NuScenes 3D对象检测数据集，并按以下方式组织下载的文件：

OpenPCDet ├── data │ ├── nuscenes │ │ │── v1.0-trainval (or v1.0-mini if you use mini) │ │ │ │── samples │ │ │ │── sweeps │ │ │ │── maps │ │ │ │── v1.0-trainval ├── pcdet ├── tools 12345678910

通过运行以下命令安装nuscenes-devkitwith版本1.0.5：

pip install nuscenes-devkit==1.0.5 1

通过运行以下命令来生成数据信息（可能需要几个小时）：

python -m pcdet.datasets.nuscenes.nuscenes_dataset --func create_nuscenes_infos --cfg_file tools/cfgs/dataset_configs/nuscenes_dataset.yaml --version v1.0-trainval 123

Waymo Open数据集

请下载官方的Waymo Open Dataset，包括训练数据training_0000.tar ~training_0031.tar和验证数据validation_0000.tar ~ validation_0007.tar。将上述所有xxxx.tar文件解压缩到以下目录data/waymo/raw_data（您可以获得798 train tfrecord和202 val tfrecord）：

OpenPCDet ├── data │ ├── waymo │ │ │── ImageSets │ │ │── raw_data │ │ │ │── segment-xxxxxxxx.tfrecord | | | |── ... | | |── waymo_processed_data │ │ │ │── segment-xxxxxxxx/ | | | |── ... │ │ │── pcdet_gt_database_train_sampled_xx/ │ │ │── pcdet_waymo_dbinfos_train_sampled_xx.pkl ├── pcdet ├── tools 1234567891011121314

waymo-open-dataset通过运行以下命令来安装官方：

pip3 install --upgrade pip ＃ tf 2.0.0 pip3 install waymo-open-dataset-tf-2-0-0 == 1.2.0 --user 123

通过运行以下命令从tfrecord提取点云数据并生成数据信息（这需要几个小时，您可以参考data/waymo/waymo_processed_data以查看已处理了多少条记录）：

python -m pcdet.datasets.waymo.waymo_dataset --func create_waymo_infos --cfg_file tools/cfgs/dataset_configs/waymo_dataset.yaml 12

请注意，waymo-open-dataset如果您之前已经处理过数据，则无需安装，也不需要使用官方Waymo Metrics进行评估。

训练与测试

所有的配置文件都在tools/cfgs/中。

训练模型

目前，要训练PointPillar或SECOND或PartA2，--batch_size取决于您训练GPU的数量，因为我们使用$ {BATCH_SIZE} = 4 * $ {NUM_GPUS}，即--batch_size 32来训练8个GPU。

您可以选择添加其他命令行参数--batch_size ${BATCH_SIZE}并--epochs ${EPOCHS}指定首选参数。extra_tag表示储存路径的一个文件夹名，最好和训练的参数保持一致

使用多个GPU或多台机器进行训练

sh scripts/dist_train.sh ${NUM_GPUS} --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} ＃或多台机器 sh scripts/slurm_train.sh ${PARTITION} ${JOB_NAME} ${NUM_GPUS} --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} 1234567

使用单个GPU进行训练：

python train.py --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} 1

我的：

python train.py --cfg_file=cfgs/kitti_models/pointpillar.yaml --batch_size=3 --epochs=100 --extra_tag 'mydata_1' 1

在这里插入图片描述

测试和评估预训练的模型

使用预训练的模型进行测试：

python test.py --cfg_file $ {CONFIG_FILE} --batch_size $ {BATCH_SIZE} --ckpt $ {CKPT} 1

例如，要使用上面提供的Part-A ^ 2模型进行测试，请运行以下命令（此处我们添加–set来修改一些默认参数，使其与所提供的Part-A ^ 2模型的训练设置相匹配，并且其他提供的模型不需要添加它）：

python test.py --cfg_file cfgs/PartA2_car.yaml --batch_size 4 --ckpt PartA2.pth --set MODEL.RPN.BACKBONE.NAME UNetV0 MODEL.RPN.RPN_HEAD.ARGS use_binary_dir_classifier:True 12

我的：
在这里插入图片描述

要测试特定训练设置的所有保存的检查点并在Tensorboard上绘制性能曲线，请添加–eval_all参数：

python test.py --cfg_file ${CONFIG_FILE} --batch_size 4? --eval_all 1

要使用多个GPU进行测试：

sh scripts/dist_test.sh ${NUM_GPUS} --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} # or sh scripts/slurm_test_mgpu.sh ${PARTITION} ${NUM_GPUS} --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} 1234567

我的，储存路径命名为'mydata_1'：

CUDA_VISIBLE_DEVICES=3,6,7 python -m torch.distributed.launch --nproc_per_node=3 train.py --cfg_file cfgs/kitti_models/pv_rcnn.yaml --launcher pytorch --extra_tag 'mydata_1' 1

在这里插入图片描述用几张卡–nproc_per_node的值就去取多少，防止溢出