今日打算开始对广被使用的mmDetection3D框架进行学习。mmdetection3d可以支持目前主流的三维目标检测算法，方便用户进行学习、部署、算法开发等工作。本文为mmdetection3d的配置文档。环境：Ubuntu20.04;GPU-Nvidia3090CUDA11.3;一、介绍伴随着自动驾驶科技的飞速发展和激光雷达的普及，3D目标检测近年来逐渐成为业界和学术界的研究热点。然而，目前在3D目标检测领域却不像2D目标检测那样，有着像MMDetection这样简单通用的代码库和benchmark。所以发布MMDetection3D（简称MMDet3D）来弥补这一空白。太长不看版：MM
本文介绍如何搭建3D目标检测框架，使用docker快速搭建MMDetection3D的开发环境，实现视觉3D目标检测、点云3D目标检测、多模态3D目标检测等等。需要大家提前安装好docker，并且docker版本>=19.03。1、下载MMDetection3D源码https://github.com/open-mmlab/mmdetection3d gitclonehttps://github.com/open-mmlab/mmdetection3d.git主要特性支持多模态/单模态的检测器支持多模态/单模态检测器，包括MVXNet，VoteNet，PointPillars等。支持户内/户外
我们在阅读mmdetection源代码的时候发现，很多文件路径下包含__init__.py文件 我们通常导入包的时候一般都是importxxx.xxx，或者fromxxx.xxximportxxx，如果想批量导入，一般使用__init__.py文件。在__init__.py文件中，有一个很重要的变量__all__，只要我们配置了 __all__，就可以在其他模块中通过from文件夹名称import*将配置在__all__列表中的所有模块一次性导入进来。1、注册HOOKS下面是hook/__init__.py源代码。#Copyright(c)OpenMMLab
目录1、搭建模型2、读取数据3、运行流程3.1图像特征获取3.2点云特征获取3.3head3.4编码bbox4、可视化5、总结本图文数据集采取KITTI数据集配置文件的介绍可以参考博主上一篇图文本图文旨在利用一条数据，走完整个多模态数据处理分支，获得bbox，并可视化在图像上1、搭建模型本次教程选用的模型为MVXNet，是一个多模态融合的3D目标检测模型配置文件：mmdetection3d/configs/mvxnet/dv_mvx-fpn_second_secfpn_adamw_2x8_80e_kitti-3d-3class.py本次使用预训练模型，可以在mmdetection3d的moze
文章目录前言3D目标检测概述KITTI数据集简介MMDetection3D环境搭建数据集准备训练测试及可视化绘制损失函数曲线参考资料前言2D卷不动了，来卷3D，之后更多地工作会放到3D检测上本文将简单介绍什么是3D目标检测、KITTI数据集以及MMDetection3D算法库，重点介绍如何在MMDetection3D中，使用PointPillars算法训练KITTI数据集，并对结果进行测试和可视化。 3D目标检测概述对于一张输入图像，2D目标检测旨在给出物体类别并标出物体位置，而3D目标检测则要给出物体的位置（x,y,z）、尺寸（x_size,y_size,z_size）以及大致方向（框的朝向
文章目录前言MMDetection3D介绍及安装使用MMDet3D的安装和依赖使用MMDet3D预训练模型在点云和图像数据上推理second模型测试pointpillars模型测试centerpoint模型测试smoke图像3D检测KITTI数据集介绍以及MMDet3D坐标系规范（以下代码都是在v1.0的环境下运行的）使用MMDetection3D进行训练前言本文所观看视频教程的mmdet3d版本为v1.0.0rc5,而我使用的是v1.1.0rc3。v1.0.0rc5的一些实现可以参考我的另一篇博客基于MMDet3D的pointpillars和centernet推理（mmdet3dv1.0rc
利用MMdetection3D框架进行3D目标检测（smoke算法）1.mmdetection3d2.mmdetection3d安装2.1依赖3.进行单目3D目标检测1.mmdetection3dmmdetection3d是OpenMMLab开发的3D目标检测开源工具箱，里面包含了许多经典的3D目标检测算法，包含了单目3D目标检测、多目3D目标检测、点云3D目标检测、多模态3D目标检测等各个方向。我们只需要把相应的算法权重下载下来，并调用相应接口即可进行检测。2.mmdetection3d安装2.1依赖mmdetection3d的安装需要有以下的依赖：Python3.6+PyTorch1.3+
原模型检测时候只有点云的检测框，本文主要是将demo文件中的pcd_demo.py中的代码，将点云检测出的3d框投影到图像上面显示。 #Copyright(c)OpenMMLab.Allrightsreserved.fromargparseimportArgumentParser#importsys#sys.path#sys.path.append('D:\Aware_model\mmdetection3d\mmdet3d')importosimportsysdir_mytest=os.path.dirname(os.path.dirname(os.path.abspath(__file__)
参考网上的博客，出现各种错误，最大的是：AssertionError:Samplesinsplitdoesn'tmatchsamplesinpredictions.给了解决方案，也不知道那个数字是怎么来的。索性自己来一遍，参考了githubissue。 第一步，下载数据集并解压：wgethttps://www.nuscenes.org/data/v1.0-mini.tgz#DownloadthenuScenesminisplit.tar-xfv1.0-mini.tgz-C/data/sets/nuscenes#UncompressthenuScenesminisplit.第二步，修改代码to
MMDetection是针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。本文记录一下关于MMdetection的使用方法，可能比较白话，专业的可以去看下面的教程：MMDetection框架入门教程官方文档–config文件教程1.文件夹结构从github上下载mmdetection的代码，解压后得到的目录如下（这里只显示主要文件夹）：├─mmdetection-master│├─build│├─checkpoints#存放
