复现PointRCNN环境配置+可视化

最新推荐文章于 2024-01-28 20:30:57 发布
最新推荐文章于 2024-01-28 20:30:57 发布
阅读量663 收藏 10
点赞数 2
分类专栏： 论文复现 文章标签： pytorch python 神经网络 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Gosh_feifei_kris/article/details/131481442
版权

注：本环境都是在Linux系统下进行配置的。

1、安装anacaonda

  • 在官网下载anaconda安装包
    （1）进入文件下载目录
cd ~/software

（2）运行安装包

bash Anaconda3-2020.07-Linux-x86_64.sh

(3）回车键，进入注册信息页面
(4）按q跳过阅读，yes
(5) 默认安装在用户目录下，直接回车即可安装；若想自定义安装目录，直接输入安装目录，回车即可。
(6）Do you wish the installer to initialize Anaconda3 by running conda init ? 输入 no，回车

  • 修改环境变量
 vim ~/.bashrc
 # 不会用vim或者用不习惯的可以用linux自带的编辑器
 gedit ~/.bashrc

添加以下内容

# 2.在.bashrc文件底部添加  
 # 为了避免与其他服务器用户产生命令冲突,使用自己的英文名+Python替代python 
alias fortunePython='/root/anaconda3/bin/python'   
#这里写anaconda的安装路径
export PATH="/root/anaconda3/bin:$PATH”
  • 检查是否安装成功
conda --version
出现conda的版本号即为安装成功

2、安装pytorch和CUDA

  1. 创建环境，选择python 3.6版本
conda create -n pointrcnn python=3.6
  1. 进入环境
conda activate pointrcnn
  1. 添加清华源（可选），如果你用的外网并且网速还行的话可以不用换源。
# 直接在终端运行
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --set show_channel_urls yes

#最后一句是设置安装路径可见。可输入cat ~/.condarc查看是否成功。
#补充：.condarc文件在Home文件中，是隐藏文件，可按Ctrl+H将其显示。
  1. 去pytorch官网，按照自己的配置选择（我电脑显卡是3060，安装的是pytorch2.0， CUDA 11.7），复制指令到终端进行安装，注意将 -c pytorch 删除，这样下载的路径才是清华源。

在这里插入图片描述

  1. 检验是否安装成功
    打开新的终端，输入python，再输入import torch，没有报错；
    再输入import torchvision，也没有报错，如图所示。此时即安装成功。

3、数据集准备

  1. 下载KITTI数据集（推荐用迅雷下载）
https://blog.csdn.net/weixin_44003563/article/details/105384659?ops_request_misc=&request_id=&biz_id=102&utm_term=KITTI%E6%95%B0%E6%8D%AE%E9%9B%86%20%E8%BF%85%E9%9B%B7%E4%B8%8B&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-105384659.pc_search_result_control_group&spm=1018.2226.3001.4187

下载四个数据集image、velodyne、label、calib，解压，并按照如下结构放置：

PointRCNN
├── data
│   ├── KITTI
│   │   ├── ImageSets
│   │   ├── object
│   │   │   ├──training
│   │   │      ├──calib & velodyne & label_2 & image_2 & (optional: planes)
│   │   │   ├──testing
│   │   │      ├──calib & velodyne & image_2
├── lib
├── pointnet2_lib
├── tools
  1. 添加软链接
    添加软链接的目的是为了避免又重新复制一份数据，毕竟KITTI数据集还是挺大的（当然也可以把KITTI数据集中的object直接复制过来）。在PointRCNN的data/KITTI文件夹下:
ln -s (你解压的KITTI数据集object的路径) object

4. 开始训练（若是用作者的模型可以跳过这个阶段）

python generate_gt_database.py --class_name 'Car' --split train
python train_rcnn.py --cfg_file cfgs/default.yaml --batch_size 1 --train_mode rpn --epochs 200 #训练模型
python train_rcnn.py --cfg_file cfgs/default.yaml --batch_size 1 --train_mode rcnn --epochs 70  --ckpt_save_interval 2 --rpn_ckpt ../output/rpn/default/ckpt/checkpoint_epoch_200.pth #第二阶段

开始预测

python eval_rcnn.py --cfg_file cfgs/default.yaml --ckpt ../output/rcnn/default/ckpt/checkpoint_epoch_70.pth --batch_size 1 --eval_mode rcnn #生成可视化

可能遇到的错误1

请添加图片描述

解决办法：

进入以下目录：
~/pointnet2_lib/pointnet2/src/ ----->将文件中所有cpp文件的的THCState_getCurrensStream(state) 全部改为 c10::cuda::getCurrentCUDAStream()

~/lib/utils/iou3d/src/ -----> 将iou3d.cpp中的THCState_getCurrensStream(state) 全部改为 c10::cuda::getCurrentCUDAStream()

~/lib/utils/roipool3d/src/ -----> 将roipool3d.cpp中的THCState_getCurrensStream(state) 全部改为 c10::cuda::getCurrentCUDAStream()

可能遇到的错误2

请添加图片描述

解决办法：

进入以下目录：
~/pointnet2_lib/pointnet2/src/ ----->将文件中所有cpp文件的的将文件中的AT_CHECK全部改为 TORCH_CHECK

~/lib/utils/iou3d/src/ -----> 将iou3d.cpp中的AT_CHECK全部改为 TORCH_CHECK

~/lib/utils/roipool3d/src/ -----> 将roipool3d.cpp中的AT_CHECK全部改为 TORCH_CHECK

可能遇到的错误3

请添加图片描述

解决办法：

安装PyQT5

pip install PyQT5

5. 可视化

克隆可视化工具代码：

git clone https://github.com/kuixu/kitti_object_vis.git

克隆后在kitti_object_vis/data文件夹中设置一个软连接，这个软连接链接到KITTI数据的object

ln -s (你解压的KITTI数据集object的路径) object

然后使用conda来安装mayavi

conda install mayavi

然后在kitti_object_vis文件中打开终端：

(1)仅显示 LiDAR：

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis

可能会出现以下错误：

错误1：ModuleNotFoundError: No module named ‘vtkIOParallelPython’
解决办法：

conda install jsoncpp=1.8.3
pip install pyface==7.3.0

然后继续我们的代码出现一下界面：终端按一次回车就可以查看下一张图

(2)显示 LiDAR 和图像

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis --show_image_with_boxes

(3)显示具有特定索引的 LiDAR 和图像

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis --show_image_with_boxes --ind 1

(4)显示带有modified LiDAR file附加点云标签/标记的 LiDAR 作为第 5 维

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis --pc_label

参考文章：复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）

newbook3
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
飞桨复现mldanet&monodepth + deephints项目代码
10-15
飞桨复现mldanet&monodepth + deephints项目代码
PointRCNN预训练权重---[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN
07-26
PointRCNN源代码中的作者提及的预训练模型。[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）。有了该模型就无需自己在训练，可以直接用这个模型对网络进行检测和再训练。并且可以参考我的另一篇博文进行网络复现和可视化操作。利用作者的预训练模型可以直接检测，将模型放在tools下面。复现博文地址：https://blog.csdn.net/Callme_TeacherPi/article/details/125963061
pointRCNN的复现：
W_111111的博客
11-04 1698
1、连接服务器，配好环境pytorch+cuda 2、创建自己的文件夹，然后在该文件夹中操作文件夹wx，cd wx 3、下载项目代码: git clone --recursive​​​​​​GitHub - sshaoshuai/PointRCNN: PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud, CVPR 2019.4、配置依赖包： pip install easydict pip install..
复现PointRCNN
qq_20388971的博客
03-07 476
pointrcnn
[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）
Callme_TeacherPi
07-25 7241
[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法） 1.下载代码2.准备数据集(1)使用官网提供的数据集格式(2)使用软连接3.检测结果4.结果可视化(1)仅显示LiDAR(2)显示LiDAR和图像(3)显示具有特定索引的LiDAR和图像(4)显示带有modifiedLiDARfile附加点云标签/标记的LiDAR作为第5维先附上环境配置python3.6。.........
pointRCNN复现记录
jinseyanhuo的博客
10-04 1462
cd 到可视化项目的 data 目录下，原教程中指出需要将链接命名为 obj ，但在可视化显示时无法提示文件无法找到，因此选择直接删除可视化项目中的 object 文件，将 PointRCNN 项目下 KITTI 数据集的 object/ 目录直接链接到 data/ 目录下。pointnet2_lib打开的话是空的，这个时候需要在github中把这个文件夹单独打开，把里面的东西下载下来，然后放在本地代码文件夹里面去。显示 PointRCNN 的预测值和真值对比，在可视化命令后加 -p。
基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip
10-18
基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于yolov7...
数据可视化tableau案例.zip
07-09
数据可视化案例集合，有详细步骤和数据，可以复现。适用于没有基础的新手。tableau以讲故事的方式改变传统数据的枯燥性。
pointRCNN原理与复现
github_37671026的博客
09-11 4275
pointRCNN原理与复现: 整体思路: https://zhuanlan.zhihu.com/p/71564244 原理: https://blog.csdn.net/taifengzikai/article/details/96840993 https://zhuanlan.zhihu.com/p/97716398 涉及到的了解知识 图像中的掩模mask是什么: https://blog.csdn.net/bitcarmanlee/article/details/79132017 弱监督学习: htt
PointRCNN:点RCNN
05-11
点RCNN PointRCNN：从点云生成和检测3D对象提案 PointRCNN：3D对象提案从点云生成和检测的代码发布，CVPR 2019。 作者：，，。 新增：我们提供了PointRCNN的另一种实现，用于在通用3D对象检测工具箱进行多类联合训练。 介绍 在这项工作中，我们提出了PointRCNN 3D对象检测器，以自下而上的方式直接从原始点云中生成准确的3D盒子建议，然后通过提出的基于bin的3D盒子回归损失在规范坐标中对其进行完善。 据我们所知，PointRCNN是第一个通过仅使用原始点云作为输入进行3D对象检测的两阶段3D对象检测器。 PointRCNN在KITTI数据集上进行了评估，并在提交时在所有已发布的作品中在KITTI 3D对象检测上达到了最先进的性能。 有关PointRCNN的更多详细信息，请参阅或。 支持的功能和待办事项列表 多个GPU进行训练 GPU版本
PointRCNN.pth
06-03
PointRCNN权重，PointRCNN主要用于处理三维点云进行目标识别（CVPR2019）。算法地址：https://github.com/sshaoshuai/PointRCNN
复现PointRcnn记录
captain_py的博客
09-12 2158
复现PointRcnn时，安装 sh build_and_install.sh时出现Fatal error: cuda.h, No such file or directory，以下方法解决。 1.在~/.bashrc中设置环境变量 export CUDA_HOME=/home/usr/local/cuda-10.0 export PATH=$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH 2
Ubuntu20.04+RTX3090复现PointRCNN记录
weixin_43240386的博客
03-03 4019
Ubuntu20.04+RTX3090复现PointRCNN记录
云服务器复现PointRCNN代码踩坑总结
weixin_44698281的博客
11-29 2723
参考来源：pointRCNN原理与复现_github_37671026的博客-CSDN博客pointRCNN原理与复现:整体思路:https://zhuanlan.zhihu.com/p/71564244原理:https://blog.csdn.net/taifengzikai/article/details/96840993https://zhuanlan.zhihu.com/p/97716398涉及到的了解知识图像中的掩模mask是什么: https://blog.csdn.net/bitcarmanl
R-CNN配置
_icrazy_的博客
12-07 330
R-CNN: Regions with Convolutional Neural Network Features 该方法在2014由rbg大神提出，在github开源项目地址：https://github.com/rbgirshick/rcnn服务器环境： Ubuntu16.04 x64环境，TITAN Xp，CUDA8，cudnn5.1， OpenCV3.2， Matlab2016b依赖
PointRCNN代码逐步复现
最新发布
yuan_gao01的博客
01-28 515
过老的pytorch1.0不好配。采用1.8也可以完成。
【Object Detection】【RCNN】R-CNN论文阅读笔记
RadiantJeral的博客
11-08 305
paper
PointRCNN之code学习笔记
daideyun的博客
08-29 1568
input -> rpn -> rpn_cls，rpn_reg, backbone_xyz, backbone_features rpn_cls, rpn_reg, backbone_xyz -> proposal_layer -> rois, roi_scores rpn_score_norm = sigmoid(rpn_cls) seg_mask = rpn_score...
pointrcnn复现
05-17
如果你想复现 PointRCNN，可以按照以下步骤进行： 1. 下载 PointRCNN 的代码和相关依赖项。 2. 准备数据集。PointRCNN 支持多种数据集格式，包括 KITTI、Waymo 和 nuScenes 等。你需要下载相应的数据集，并将其转换为 PointRCNN 可以读取的格式。 3. 安装 CUDA 和 cuDNN，并按照官方文档的要求配置环境。 4. 进行模型训练。你可以使用 PointRCNN 提供的预训练模型，也可以从头开始训练新模型。在训练时，你需要指定数据集路径、模型保存路径、学习率等参数。 5. 进行模型测试。你可以使用训练好的模型对测试集进行测试，并计算模型在测试集上的指标，如平均精度（AP）和平均重召回率（AR）等。 需要注意的是，PointRCNN 是一个比较复杂的模型，需要较高的计算资源和时间。在复现过程中可能会遇到各种问题，需要耐心调试和解决。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值