MMDETECTION3D 使用kitti格式的数据集跑centerpoint模型

MMDETECTION3D 使用kitti格式的数据集跑centerpoint模型

1 修改配置文件configs/centerpoint/centerpoint_pillar02_kitti_3d.py

如下

# """configs/centerpoint/centerpoint_pillar02_kitti_3d.py"""
_base_ = ['../_base_/datasets/centerpoint_kitii_3d_3class.py','../_base_/models/centerpoint_pillar02_second_secfpn_kitti.py','../_base_/schedules/cyclic-20e.py', '../_base_/default_runtime.py'
]# If point cloud range is changed, the models should also change their point
# cloud range accordingly
point_cloud_range = [-51.2, -51.2, -5.0, 51.2, 51.2, 3.0]
# Using calibration info convert the Lidar-coordinate point cloud range to the
# ego-coordinate point cloud range could bring a little promotion in nuScenes.
# point_cloud_range = [-51.2, -52, -5.0, 51.2, 50.4, 3.0]
# For nuScenes we usually do 10-class detection
# class_names = [
#     'car', 'truck', 'construction_vehicle', 'bus', 'trailer', 'barrier',
#     'motorcycle', 'bicycle', 'pedestrian', 'traffic_cone'
# ]# class_names = [
#     'car', 'truck', 'construction_vehicle', 'bus', 'trailer', 'barrier',
#     'motorcycle', 'bicycle', 'pedestrian', 'traffic_cone'
# ]
class_names = ['Pedestrian', 'Cyclist', 'Car']
# data_prefix = dict(pts='samples/LIDAR_TOP', img='', sweeps='sweeps/LIDAR_TOP')
model = dict(data_preprocessor=dict(voxel_layer=dict(point_cloud_range=point_cloud_range)),pts_voxel_encoder=dict(point_cloud_range=point_cloud_range),pts_bbox_head=dict(bbox_coder=dict(pc_range=point_cloud_range[:2])),# model training and testing settingstrain_cfg=dict(pts=dict(point_cloud_range=point_cloud_range)),test_cfg=dict(pts=dict(pc_range=point_cloud_range[:2])))# dataset_type = 'NuScenesDataset'
# data_root = 'data/nuscenes/'
dataset_type = 'KittiDataset'
data_root = 'data/kitti/'
backend_args = Nonedb_sampler = dict(data_root=data_root,# info_path=data_root + 'nuscenes_dbinfos_train.pkl',info_path=data_root + 'kitti_dbinfos_train.pkl',rate=1.0,# prepare=dict(#     filter_by_difficulty=[-1],#     filter_by_min_points=dict(#         car=5,#         truck=5,#         bus=5,#         trailer=5,#         construction_vehicle=5,#         traffic_cone=5,#         barrier=5,#         motorcycle=5,#         bicycle=5,#         pedestrian=5)),prepare=dict(filter_by_difficulty=[-1],filter_by_min_points=dict(car=5,Cyclist = 5,pedestrian=5)),classes=class_names,sample_groups=dict(car=2,Cyclist = 4,pedestrian=4),points_loader=dict(type='LoadPointsFromFile',coord_type='LIDAR',# load_dim=5,load_dim=4,# use_dim=[0, 1, 2, 3, 4],backend_args=backend_args),backend_args=backend_args)train_pipeline = [dict(type='LoadPointsFromFile',coord_type='LIDAR',# load_dim=5,# use_dim=5,load_dim=4,use_dim=4,backend_args=backend_args),# dict(#     type='LoadPointsFromMultiSweeps',#     sweeps_num=9,#     use_dim=[0, 1, 2, 3, 4],#     pad_empty_sweeps=True,#     remove_close=True,#     backend_args=backend_args),dict(type='LoadAnnotations3D', with_bbox_3d=True, with_label_3d=True),# dict(type='ObjectSample', db_sampler=db_sampler),# dict(#     type='GlobalRotScaleTrans',#     rot_range=[-0.3925, 0.3925],#     scale_ratio_range=[0.95, 1.05],#     translation_std=[0, 0, 0]),dict(type='GlobalRotScaleTrans',rot_range=[-0.78539816, 0.78539816],scale_ratio_range=[0.95, 1.05]),dict(type='RandomFlip3D',# sync_2d=False,flip_ratio_bev_horizontal=0.5,# flip_ratio_bev_vertical=0.5),dict(type='PointsRangeFilter', point_cloud_range=point_cloud_range),dict(type='ObjectRangeFilter', point_cloud_range=point_cloud_range),# dict(type='ObjectNameFilter', classes=class_names),dict(type='PointShuffle'),dict(type='Pack3DDetInputs',keys=['points', 'gt_bboxes_3d', 'gt_labels_3d'])
]
test_pipeline = [dict(type='LoadPointsFromFile',coord_type='LIDAR',# load_dim=5,# use_dim=5,load_dim=4,use_dim=4,backend_args=backend_args),# dict(#     type='LoadPointsFromMultiSweeps',#     sweeps_num=9,#     use_dim=[0, 1, 2, 3, 4],#     pad_empty_sweeps=True,#     remove_close=True,#     backend_args=backend_args),dict(type='MultiScaleFlipAug3D',img_scale=(1333, 800),pts_scale_ratio=1,flip=False,transforms=[dict(type='GlobalRotScaleTrans',rot_range=[0, 0],scale_ratio_range=[1., 1.],translation_std=[0, 0, 0]),dict(type='RandomFlip3D'),

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/598807.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

nginx 二、配置域名

文章目录 一、配置本地域名查看虚拟机ip修改hosts文件测试域名是否配置成功 二、配置aliyun域名三、实践1.创建html2.配置nginx3.测试服务器内部测试页面测试 总结 docker中启动nginx容器完成如下操作,对于docker安装nginx可以看这篇文章 nginx 一、安装与conf浅析 …

Linux上搭建YApi

YApi是http接口管理和测试的重要工具,其作用相当于原来用的postman,但是比postman有更多的功能,本篇文章主要介绍如何在linux环境中快速的安装(利用yum命令安装)和部署YApi 一、nodejs 安装 1.1 下载nodejs包 yum i…

Harbor配置同步规则删除不掉

【问题原因】 harbor上主从两个仓库,配置同步规则时,定时任务配置太频繁,导致规则修改,删除都失败。 【问题现象】 点击修改后保存,页面报internal server error的错。 【问题排查】 docker ps | grep harbor 查看…

Linux 系统 curl 命令详解

curl 是一个功能强大的命令行工具,用于与 Web 服务器进行数据通信。它支持多种协议,如 HTTP、HTTPS、FTP、SFTP、SMTP 等,并提供了丰富的选项和参数来执行各种操作,如发送请求、下载文件、上传文件等。下面我将详细介绍 curl 命令…

仓库管理软件有哪些比较好用?

“仓库管理软件有哪些比较好用?” “好用,却不一定适合。” 有时候,不是某个仓库管理软件不好用,而是它不适合你们企业。 制造业企业的仓库管理场景,随着制造业企业规模的扩大,逐步精细化,企…

JAVA基础学习笔记-day12-泛型

JAVA基础学习笔记-day12-泛型 1. 泛型概述1.1 泛型的引入 2. 使用泛型举例2.1 集合中使用泛型2.2 相关使用说明 3. 自定义泛型结构3.1 泛型的基础说明3.2 自定义泛型类或泛型接口3.2.1 说明3.2.2 注意 3.3 自定义泛型方法3.3.1 说明 4. 泛型在继承上的体现5. 通配符的使用5.1 通…

C语言KR圣经笔记 5.6指针数组;指针的指针

5.6 指针数组;指针的指针 因为指针本身也是变量,所以它们也能像其他变量一样保存在数组里面。我们写个程序来说明,该程序将一些文本行按照字母顺序排列,算是 UNIX 程序 sort 的精简版本。 在第三章中,我们介绍了对一…

10-链表-删除排序链表中的重复元素 II

这是链表的第10篇算法,这是上一篇文章的加强版,力扣链接。 给定一个已排序的链表的头 head , 删除原始链表中所有重复数字的节点,只留下不同的数字 。返回 已排序的链表 。 示例 1: 输入:head [1,2,3,3,4,…

Facebook选品方法大揭秘,这几个最畅销类目别错过!

现在越来越多的卖家开始做社媒电商,其中很多人都想在 Facebook 这个平台上分一杯羹,而 Facebook选品对于这些商家来说非常重要。俗话说,七分靠选品,三分靠运营,想成功入局 Facebook,选品选的好&#xff0c…

肠道重要属——芽孢杆菌属,益生与病原双标签

谷禾健康 芽孢杆菌属(Bacillus)是革兰氏阳性、杆状、芽孢杆菌科细菌的一个属,属于厚壁菌门。 芽孢杆菌属物种可以是专性需氧微生物(依赖氧气)或兼性厌氧微生物(具有需氧或厌氧的能力)。当使用或存在氧气时,它们的过氧化氢酶检测呈…

Stable Diffusion汉化插件

今天为大家介绍Stable Diffusion的两种UI汉化包,一种是汉化包,就中文界面,方便大家对于繁杂的参数的模型的操作,一种是中英文对照界面,在中文提示下,同时显示英文,不但方便设置也同时学习了英文…

MySQL进阶篇(一)存储引擎

一、MySQL 体系结构 (1) 连接层 最上层是一些客户端和链接服务,包含本地 sock 通信和大多数基于客户端/服务端工具实现的类似于TCP/IP的通信。主要完成一些类似于连接处理、授权认证、及相关的安全方案。在该层上引入了线程池的概念&#xff…

MySQL中的JSON数据类型计数及多张表COUNT的数据相加

1.使用场景:在MySQL中,JSON作为一种数据类型存储在表的列中。需计算键值对的数量。 2.方法:SELECT COUNT(chief>$.number) FROM t_projectapplication where id #{id};(t_projectapplication:表;chief&…

Android 编译过程介绍,Android.mk 和 Android.bp 分析, 在源码中编译 AndroidStudio 构建的 App

Android 编译过程介绍,Android.mk 和 Android.bp 分析, 在源码中编译 AndroidStudio 构建的 App_.mk编译目录所有.bp-CSDN博客

Python办公自动化 – 处理JSOM数据和操作SQL Server数据库

Python办公自动化 – 处理JSOM数据和操作SQL Server数据库 以下是往期的文章目录,需要可以查看哦。 Python办公自动化 – Excel和Word的操作运用 Python办公自动化 – Python发送电子邮件和Outlook的集成 Python办公自动化 – 对PDF文档和PPT文档的处理 Python办公…

如何通过内网穿透实现无公网IP远程访问内网的Linux宝塔面板

文章目录 一、使用官网一键安装命令安装宝塔二、简单配置宝塔,内网穿透三、使用固定公网地址访问宝塔 正文开始前给大家推荐个网站,前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。…

这款IDEA插件真的爽,白嫖真香

Apipost-Helper是由Apipost推出的IDEA插件,写完接口可以进行快速调试,且支持搜索接口、根据method跳转接口,还支持生成标准的API文档,注意:这些操作都可以在代码编辑器内独立完成,非常好用!这里…

XD6500S一款串口SiP模块 射频LoRa芯片 内置sx1262

1.1产品介绍 XD6500S是一款集射频前端和LoRa射频于一体的LoRa SIP模块系列收发器SX1262 senies,支持LoRa⑧和FSK调制。LoRa技术是一种扩频协议优化低数据速率,超长距离和超低功耗用于LPWAN应用的通信。 XD6500S设计具有4.2 mA的有效接收电流消耗&#…

DevOps(10)

目录 56.Docker的架构? 57.Docker镜像相关操作有哪些? 58.Docker容器相关操作有哪些? ​编辑59.如何查看Docker容器的日志? 60.如何启动Docker容器?参数含义? 61.如何进入Docker后台模式?有…

Open3D将聚类结果显示或者保存

将聚类结果按大小排序,并取出最大的4个结果 import time import open3d as o3d; import numpy as np; import matplotlib.pyplot as plt#坐标 mesh_coord_frame o3d.geometry.TriangleMesh.create_coordinate_frame(size355, origin[0, 0, 0]) #mesh_coord_frame…