代码复现 ： voxelnet_tensorflow版本

程序代码：https://github.com/qianguih/voxelnet

环境

运行系统：Ubuntu 18.04
使用语言：Python 3.6
硬件支持：GTX2080Ti + CUDA10.0 + CUDNN7.6.5 + TensorFlow-gpu1.15.4

安装依赖

根据readme要求需要安装以下库依赖库

• opencv
• shapely
• numba
• easydict

程序安装

1、克隆代码

2、编译Cython模块

python setup.py build_ext --inplace

3、编译评估(evaluation)代码

cd kitti_eval
g++ -o evaluate_object_3d_offline evaluate_object_3d_offline.cpp

4、向评估(evaluation)脚本授予执行权限

cd kitti_eval
chmod +x launch_test.sh

数据准备

1、下载数据

从KITTI官方网址下载3D KITTI检测数据集，下载的数据要包括：

• Velodyne point clouds (29 GB): input data to VoxelNet
• Training labels of object data set (5 MB): input label to VoxelNet
• Camera calibration matrices of object data set (16 MB): for
  visualization of predictions
• Left color images of object data set (12 GB): for visualization of
  predictions

2、裁剪数据

在该项目中，我们使用裁剪的点云数据进行训练和验证。 图像坐标外部的点云将被删除。 更新data / crop.py中的目录，然后运行data / crop.py生成裁剪的数据。 请注意，裁剪的点云数据将覆盖原始点云数据。

3、数据分类

根据此处的协议将训练集分为训练集和验证集。并重新排列文件夹，使其具有以下结构：

└── DATA_DIR
       ├── training   <-- training data
       |   ├── image_2
       |   ├── label_2
       |   └── velodyne
       └── validation  <--- evaluation data
       |   ├── image_2
       |   ├── label_2
       |   └── velodyne

4、更新config.py和kitti_eval / launch_test.sh中的数据集目录

五、开始训练

1、在config.py中指定要使用的GPU

在config.py中找到以下内容：

__C.GPU_AVAILABLE = '0,1'

然后改成以下内容：

__C.GPU_AVAILABLE = '0'

2、使用所需的超参数运行train.py以开始训练

python train.py --alpha 1 --beta 10

请注意，原作者在本文中介绍的超参数设置无法产生高质量的结果。因此，此处指定了其他设置。

在两个Nvidia 1080 Ti GPU上进行的培训大约需要3天（如论文中所述，共160个epochs）。在训练过程中，训练统计信息记录在log/default中，可以通过tensorboard监视。模型保存在save_model / default中。中间验证结果储到文件夹predictions/XXX/data中，其中XXX为epoch数。指标将被计算并保存在predictions/XXX/log中。如果将–vis标志设置为True，则中间结果的可视化结果将转储到文件夹references / XXX / vis中。

3、训练结束之后，执行parse_log.py将生成学习曲线

python parse_log.py predictions

4、查看训练模型
在save_model / pre_trained_car中有一个针对car的预训练模型。

六、评估

1、训练完成后，运行test.py -n默认值以对验证集产生最终预测。将-n标志更改为pre_trained_car将开始测试预训练模型（目前仅提供汽车模型）。

python test.py

结果将转储到predictions/data中。如果想要转储可视化文件，请将–vis标志设置为True，并将其保存到predictions/vis中。

2、运行以下命令以测量预测的定量性能：

./kitti_eval/evaluate_object_3d_offline [DATA_DIR]/validation/label_2 ./predictions

至此VoxelNet_TensorFlow训练过程已经结束，但是这个版本的代码，非常的耗内存，经常导致机器死机，(我就是这样，跑到几轮就内存满了，跑不动了，等加了内存条再说吧)，代码需要进一步的优化。

七、作者的表现

下表列出了当前的实施和训练方案。
鸟瞰检测性能：基于KITTI验证集的AP

参考（感谢）
https://blog.csdn.net/r1141207831/article/details/102943740
https://blog.csdn.net/r1141207831/article/details/96423897