在MMdetection3D上使用KITTI数据集训练及性能评估

        以下是我在MMdetection3D上使用KITTI数据集训练模型和评估模型性能的方法和详细步骤。

1. 访问KITTI官方网站

        前往 KITTI Vision Benchmark Suite 的官方网站。

2. 导航到3D目标检测数据集

        点击页面顶部的 "Object Detection" 链接，或者直接访问 KITTI 3D Object Detection 页面。

3. 下载数据

        在页面中找到数据下载部分，通常包括以下几个部分：

• Training images and calibration (12 GB): 包含训练图像和校准文件。
• Training labels (5 MB): 包含训练数据的标注文件。
• Velodyne point clouds (29 GB): 包含Velodyne点云数据。
• Testing images and calibration (6 GB): 包含测试图像和校准文件（无标注）。
• Testing Velodyne point clouds (19 GB): 包含测试数据的Velodyne点云。

        你需要下载以下文件以便进行3D目标检测：

• Training images and calibration (12 GB)
• Training labels (5 MB)
• Velodyne point clouds (29 GB)

4. 解压数据

        下载完成后，使用解压工具（如7-Zip或WinRAR）解压缩这些文件。你将得到以下几个文件夹：

• data_object_image_2: 包含训练图像。
• data_object_calib: 包含校准文件。
• data_object_label_2: 包含训练标注文件。
• data_object_velodyne: 包含Velodyne点云数据。

5. 组织数据

        按照KITTI格式组织解压后的数据文件夹结构。确保你的文件夹结构如下：

示例

        下载并解压后的文件结构应该是这样的：

6. 在MMDetection3D中使用

        在配置文件中指定数据集的路径：

dataset_type = 'KittiDataset'
data_root = 'path/to/kitti/'

data = dict(
    samples_per_gpu=2,
    workers_per_gpu=2,
    train=dict(
        type=dataset_type,
        data_root=data_root,
        ann_file=data_root + 'training/kitti_infos_train.pkl',
        pipeline=train_pipeline),
    val=dict(
        type=dataset_type,
        data_root=data_root,
        ann_file=data_root + 'training/kitti_infos_val.pkl',
        pipeline=test_pipeline),
    test=dict(
        type=dataset_type,
        data_root=data_root,
        ann_file=data_root + 'testing/kitti_infos_test.pkl',
        pipeline=test_pipeline))

7. 训练和评估

        在配置文件中定义好模型、优化器、学习率策略等后，可以通过命令行工具tools/train.py进行模型训练。评估模型的性能则通过tools/test.py进行。

python tools/train.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py
python tools/test.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py work_dirs/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class/latest.pth --eval mAP