pointpillar SSD检测后的data_dict

最新推荐文章于 2022-10-28 14:00:37 发布
最新推荐文章于 2022-10-28 14:00:37 发布
阅读量293 收藏 1
点赞数 1
分类专栏： PCDet
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/W1995S/article/details/115241544
版权 
一个 data_dict：
'batch_size'：        3  # 3帧点云
'points'              torch.Size([69375, 5])  # 点数目可变 猜测(? x y z r)
'frame_id'            (3,)  # 帧编号
'gt_boxes'            torch.Size([3, 40, 8])  # 3帧点，好像每帧最多40个ground truth，[x, y, z, 长dx, 宽dy, 高dz, 角度heading, 标签？]
'use_lead_xyz'        torch.Size([3])  # ？
'voxels'              torch.Size([17842, 32, 4]) # 体素
'voxel_coords'        torch.Size([17842, 4]) # 体素坐标
'voxel_num_points'    torch.Size([17842])  # 体素点数
'image_shape'         (3, 2) # 图像尺寸
'pillar_features'     torch.Size([17842, 64])  # pillar特征（C, P）的Tensor，特征维度C=64，Pillar非空P=17842个
'spatial_features'    torch.Size([3, 64, 496, 432])  # (batch_size，C，H，W)，其实C H W是固定的
'spatial_features_2d' torch.Size([3, 384, 248, 216]) # 2D卷积，上下采样连接后的 (batch_size，6C，H/2，W/2) 
'calib'               (3,)  # 相机、雷达、惯导等传感器的矫正数据
'road_plane'          torch.Size([3, 4])  # planes文件夹里002188/002193/002196.txt 标签数据
'batch_cls_preds'     torch.Size([3, 321408, 3])  # 类别预测
'batch_box_preds'     torch.Size([3, 321408, 7])  # box预测
'cls_preds_normalized'  False  # 类别预测是否归一化

定位：pcdet/models/dense_heads/anchor_head_single.py   # 预测类别、box

if not self.training or self.predict_boxes_when_training:
	print(data_dict)

一个data_dict：

{'points': tensor([[ 0.0000e+00,  5.4746e+01,  1.9159e+01,  2.1700e+00,  0.0000e+00],
        [ 0.0000e+00,  5.4220e+01,  1.9166e+01,  2.1540e+00,  0.0000e+00],
        [ 0.0000e+00,  5.3704e+01,  1.9173e+01,  2.1370e+00,  0.0000e+00],
        ...,
        [ 2.0000e+00,  6.2010e+00, -4.9000e-02, -1.6170e+00,  2.8000e-01],
        [ 2.0000e+00,  6.2470e+00, -3.0000e-02, -1.6300e+00,  2.9000e-01],
        [ 2.0000e+00,  6.2880e+00, -1.1000e-02, -1.6410e+00,  2.7000e-01]],
       device='cuda:0'), 
'frame_id': array(['002188', '002193', '002196'], dtype='<U6'), 
'calib': array([<pcdet.utils.calibration_kitti.Calibration object at 0x7fedf905c4a8>,
       <pcdet.utils.calibration_kitti.Calibration object at 0x7fedf406bdd8>,
       <pcdet.utils.calibration_kitti.Calibration object at 0x7fedf406b978>],
      dtype=object), 
'gt_boxes': tensor([[[ 4.9612e+01,  1.3979e+01, -1.0342e+00,  4.5900e+00,  1.8800e+00,
           1.5500e+00, -3.1308e+00,  1.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00]],

        [[ 6.7917e+00,  2.9288e+00, -1.1634e+00,  4.1000e+00,  1.5700e+00,
           1.4200e+00, -3.1508e+00,  1.0000e+00],
         [ 3.1710e+00, -2.4836e+00, -1.0434e+00,  4.1400e+00,  1.6400e+00,
           1.4300e+00,  9.2037e-03,  1.0000e+00],
         [ 2.7981e+01,  2.8616e+00, -9.8268e-01,  3.5800e+00,  1.5300e+00,
           1.3800e+00, -3.1108e+00,  1.0000e+00],
         [ 3.3552e+01, -2.7272e+00, -9.4851e-01,  4.0600e+00,  1.6500e+00,
           1.4900e+00, -7.9632e-04,  1.0000e+00],
         [ 4.6472e+01,  2.8564e+00, -9.7951e-01,  4.0500e+00,  1.5400e+00,
           1.4800e+00,  2.9204e-02,  1.0000e+00]],

        [[ 3.8900e+01,  1.1914e+01, -9.2793e-01,  3.8300e+00,  1.6200e+00,
           1.4500e+00, -2.9208e+00,  1.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00],
         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,
           0.0000e+00,  0.0000e+00,  0.0000e+00]]], device='cuda:0'), 
'road_plane': tensor([[-0.0151, -0.9998,  0.0107,  1.5996],
        [-0.0115, -0.9999,  0.0082,  1.6769],
        [-0.0292, -0.9996,  0.0062,  1.6766]], device='cuda:0'), 
'use_lead_xyz': tensor([1., 1., 1.], device='cuda:0'), 
'voxels': tensor([[[ 23.5170, -15.9880,   0.9900,   0.2000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]],

        [[ 23.6600, -15.9770,   0.9930,   0.2800],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]],

        [[ 22.3850, -15.0120,   0.9490,   0.2400],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]],

        ...,

        [[  5.7980,  -0.4650,  -1.5090,   0.3200],
         [  5.8660,  -0.4520,  -1.5280,   0.3600],
         [  5.8900,  -0.4440,  -1.5340,   0.4100],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]],

        [[  6.0010,  -0.3110,  -1.5630,   0.3000],
         [  5.9460,  -0.2890,  -1.5470,   0.4600],
         [  6.0600,  -0.2760,  -1.5790,   0.3400],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]],

        [[  6.1450,  -0.1550,  -1.6020,   0.3900],
         [  6.1210,  -0.1350,  -1.5950,   0.3800],
         [  6.1540,  -0.1170,  -1.6040,   0.4100],
         ...,
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000],
         [  0.0000,   0.0000,   0.0000,   0.0000]]], device='cuda:0'), 
'voxel_coords': tensor([[  0.,   0., 148., 146.],
        [  0.,   0., 148., 147.],
        [  0.,   0., 154., 139.],
        ...,
        [  2.,   0., 245.,  36.],
        [  2.,   0., 246.,  37.],
        [  2.,   0., 247.,  38.]], device='cuda:0'), 
'voxel_num_points': tensor([1., 1., 1.,  ..., 9., 6., 7.], device='cuda:0'), 
'image_shape': array([[ 375, 1242],
       [ 375, 1242],
       [ 375, 1242]], dtype=int32), 
'batch_size': 3, 
'pillar_features': tensor([[0.0000, 6.3333, 0.9082,  ..., 0.0000, 3.6863, 0.1955],
        [0.0000, 6.2591, 0.9063,  ..., 0.0000, 3.5724, 0.2206],
        [0.0000, 6.1346, 0.8394,  ..., 0.0000, 3.4940, 0.1611],
        ...,
        [0.0000, 0.0552, 0.0000,  ..., 0.2466, 0.0000, 0.0000],
        [0.0000, 0.0552, 0.0000,  ..., 0.1893, 0.0000, 0.0000],
        [0.0000, 0.0552, 0.0000,  ..., 0.2188, 0.0000, 0.0000]],
       device='cuda:0'), 
'spatial_features': tensor([[[[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         ...,

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]]],


        [[[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         ...,

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]]],


        [[[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         ...,

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]],

         [[0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          ...,
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.],
          [0., 0., 0.,  ..., 0., 0., 0.]]]], device='cuda:0'), 
'spatial_features_2d': tensor([[[[0.1877, 0.1947, 0.1075,  ..., 0.0000, 0.0000, 0.1717],
          [0.0848, 0.1255, 0.0853,  ..., 0.2293, 0.0000, 0.0000],
          [0.2129, 0.2682, 0.2604,  ..., 0.3234, 0.1610, 0.0551],
          ...,
          [0.1651, 0.2071, 0.2220,  ..., 0.2404, 0.1020, 0.0103],
          [0.2431, 0.3119, 0.4266,  ..., 0.3957, 0.1044, 0.0000],
          [0.3371, 0.3365, 0.3324,  ..., 0.3973, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0775, 0.0625],
          [0.0000, 0.0000, 0.0134,  ..., 0.0499, 0.1230, 0.0770],
          [0.0000, 0.0442, 0.0717,  ..., 0.0544, 0.1306, 0.0772],
          ...,
          [0.0000, 0.0675, 0.1178,  ..., 0.0604, 0.1003, 0.0365],
          [0.0000, 0.0315, 0.0562,  ..., 0.0197, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0437, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0123, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         ...,

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]]],


        [[[0.1877, 0.1947, 0.1075,  ..., 0.0000, 0.0000, 0.1717],
          [0.0848, 0.1255, 0.0853,  ..., 0.2293, 0.0000, 0.0000],
          [0.2129, 0.2682, 0.2604,  ..., 0.3234, 0.1610, 0.0551],
          ...,
          [0.1651, 0.2071, 0.2220,  ..., 0.2404, 0.1020, 0.0103],
          [0.2431, 0.3119, 0.4266,  ..., 0.3957, 0.1044, 0.0000],
          [0.3371, 0.3365, 0.3324,  ..., 0.3973, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0775, 0.0625],
          [0.0000, 0.0000, 0.0134,  ..., 0.0499, 0.1230, 0.0770],
          [0.0000, 0.0442, 0.0717,  ..., 0.0544, 0.1306, 0.0772],
          ...,
          [0.0000, 0.0675, 0.1178,  ..., 0.0604, 0.1003, 0.0365],
          [0.0000, 0.0315, 0.0562,  ..., 0.0197, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0437, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0123, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         ...,

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]]],


        [[[0.1877, 0.1947, 0.1075,  ..., 0.0000, 0.0000, 0.1717],
          [0.0848, 0.1255, 0.0853,  ..., 0.2293, 0.0000, 0.0000],
          [0.2129, 0.2682, 0.2604,  ..., 0.3234, 0.1610, 0.0551],
          ...,
          [0.1651, 0.2071, 0.2220,  ..., 0.2404, 0.1020, 0.0103],
          [0.2431, 0.3119, 0.4266,  ..., 0.3957, 0.1044, 0.0000],
          [0.3371, 0.3365, 0.3324,  ..., 0.3973, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0775, 0.0625],
          [0.0000, 0.0000, 0.0134,  ..., 0.0499, 0.1230, 0.0770],
          [0.0000, 0.0442, 0.0717,  ..., 0.0544, 0.1306, 0.0772],
          ...,
          [0.0000, 0.0675, 0.1178,  ..., 0.0604, 0.1003, 0.0365],
          [0.0000, 0.0315, 0.0562,  ..., 0.0197, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0437, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0123, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         ...,

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]],

         [[0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          ...,
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000],
          [0.0000, 0.0000, 0.0000,  ..., 0.0000, 0.0000, 0.0000]]]],
       device='cuda:0'), 
'batch_cls_preds': tensor([[[-4.2944, -9.7104, -9.7312],
         [-3.7597, -9.7555, -9.6938],
         [-9.7269, -5.4327, -9.7634],
         ...,
         [-9.3052, -5.5800, -9.2776],
         [-9.3401, -9.2987, -6.1903],
         [-9.2722, -9.2850, -6.6768]],

        [[-4.2944, -9.7104, -9.7312],
         [-3.7597, -9.7555, -9.6938],
         [-9.7269, -5.4327, -9.7634],
         ...,
         [-9.3052, -5.5800, -9.2776],
         [-9.3401, -9.2987, -6.1903],
         [-9.2722, -9.2850, -6.6768]],

        [[-4.2944, -9.7104, -9.7312],
         [-3.7597, -9.7555, -9.6938],
         [-9.7269, -5.4327, -9.7634],
         ...,
         [-9.3940, -5.5097, -9.3276],
         [-9.4469, -9.3920, -5.9606],
         [-9.3532, -9.3826, -6.2807]]], device='cuda:0'), 
'batch_box_preds': tensor([[[-3.7273e-02, -3.9706e+01, -7.8445e-01,  ...,  1.5560e+00,
           1.4758e+00,  6.0741e+00],
         [-5.9878e-02, -4.0516e+01, -6.3502e-01,  ...,  1.6506e+00,
           1.5720e+00,  5.0740e+00],
         [ 1.1123e-01, -3.9727e+01, -4.4609e-01,  ...,  5.8069e-01,
           1.7541e+00,  6.7807e+00],
         ...,
         [ 6.9163e+01,  3.9699e+01, -2.2949e-01,  ...,  6.3743e-01,
           1.8581e+00,  4.7200e+00],
         [ 6.9192e+01,  3.9700e+01, -2.7085e-01,  ...,  4.7168e-01,
           1.7055e+00,  6.5654e+00],
         [ 6.9092e+01,  3.9764e+01, -3.3406e-01,  ...,  6.0406e-01,
           1.8259e+00,  1.2995e+00]],

        [[-3.7273e-02, -3.9706e+01, -7.8445e-01,  ...,  1.5560e+00,
           1.4758e+00,  6.0741e+00],
         [-5.9878e-02, -4.0516e+01, -6.3502e-01,  ...,  1.6506e+00,
           1.5720e+00,  5.0740e+00],
         [ 1.1123e-01, -3.9727e+01, -4.4609e-01,  ...,  5.8069e-01,
           1.7541e+00,  6.7807e+00],
         ...,
         [ 6.9163e+01,  3.9699e+01, -2.2949e-01,  ...,  6.3743e-01,
           1.8581e+00,  4.7200e+00],
         [ 6.9192e+01,  3.9700e+01, -2.7085e-01,  ...,  4.7168e-01,
           1.7055e+00,  6.5654e+00],
         [ 6.9092e+01,  3.9764e+01, -3.3406e-01,  ...,  6.0406e-01,
           1.8259e+00,  1.2995e+00]],

        [[-3.7273e-02, -3.9706e+01, -7.8445e-01,  ...,  1.5560e+00,
           1.4758e+00,  6.0741e+00],
         [-5.9878e-02, -4.0516e+01, -6.3502e-01,  ...,  1.6506e+00,
           1.5720e+00,  5.0740e+00],
         [ 1.1123e-01, -3.9727e+01, -4.4609e-01,  ...,  5.8069e-01,
           1.7541e+00,  6.7807e+00],
         ...,
         [ 6.9169e+01,  3.9701e+01, -1.5734e-01,  ...,  6.2121e-01,
           1.8279e+00,  4.6956e+00],
         [ 6.9217e+01,  3.9692e+01, -1.5314e-01,  ...,  4.8330e-01,
           1.7023e+00,  6.5261e+00],
         [ 6.9105e+01,  3.9763e+01, -2.6258e-01,  ...,  6.2707e-01,
           1.8529e+00,  1.3359e+00]]], device='cuda:0'), 
'cls_preds_normalized': False}
THE@JOKER
关注
专栏目录
Python获取对象属性的三大方法(__dict__、vars()、__slots__)的区别
weixin_43178406的博客
07-09 7万+
本文主要介绍了Python获取对象属性的三大方法(__dict__、vars()、__slots__)的区别，希望能对使用Python的同学们有所帮助。 文章目录 1. 前言 2. __dict__ 3. vars() 4. __slots__
AttributeError: ‘LTP‘ object has no attribute ‘init_dict‘解决方案
weixin_43178406的博客
04-20 7万+
本文主要介绍了AttributeError: ‘LTP‘ object has no attribute ‘init_dict‘解决方案，希望能对使用LTP的同学门有所帮助。 文章目录 1. 问题描述 2. 解决方案
python时间比较好_python日期加减比较问题请教
weixin_39650139的博客
12-08 219
展开全部函数 date_dict 实现你的要636f70793231313335323631343130323136353331333335313865求 (他还能处理晚于当天的日期，自己试一下)。#!/usr/bin/python3importdatetime,sysdefdate_dict(date_str):today=datetime.date.today()d=dateti...
pointpillar Backbone编码后的data_dict
W1995S的博客
03-26 236
一个 data_dict： 'batch_size'： 3 # 3帧点云 'points' torch.Size([69375, 5]) # 点数目可变 猜测(? x y z r) 'frame_id' (3,) # 帧编号 'gt_boxes' torch.Size([3, 40, 8]) # 3帧点，好像每帧最多40个ground truth，[x, y, z, 长dx, 宽dy, 高dz, 角度heading,
在OpenPCDet上训练KITTI数据集并进行测试和验证
zyw2002的博客
10-24 4486
在进行训练之前。
Pointpillars（一）模型结构
u013952812的专栏
07-15 1613
pointpillars模型结构解析
Autoware 1.14 源码编译+感知SSD+YOLOv3+Point Pillar模块运行（步骤+报错+解决方法记录）
tiatiatiatia的博客
06-21 1万+
Autoware 1.14 源码编译+感知SSD+YOLOv3+Point Pillar模块运行（步骤+报错解决汇总）显示rostopic之间的关系图：range_vision_fusion_01:安装caffe（其实貌似不需要安装,ssdcaffe会安装caffe的）一条命令装caffe测试:运行SSD1. 安装/编译ssdcaffe其中: 如何更改Makefile.config：SSD的caffe在编译时，成功之后，给出的命令需要逐步执行:生成一个适合你的列表创建一个表格设定内容居中、居左、居右Smar
Python中__dict__属性的详解
XXLoveSHT的博客
08-19 8650
__dict__属性的使用 # -*- coding: utf-8 -*- class A(object): a = 0 name = None b = 1 def __init__(self,name): self.a = 2 self.b = 3 self.name = name def tes...
RuntimeError: Error(s) in loading state_dict for SSD
wlw8023diya的博客
07-30 1719
error: (pytorch) ubuntu-gpu@UbuntuGPU:~/wangmiao/ssd-pytorch-master$ python get_dr_txt.py Loading weights into state dict... Traceback (most recent call last): File "get_dr_txt.py", line 131, in <module> ssd = mAP_SSD() File "/home/ubuntu-
python __dict__ 详解
hongliryan的专栏
05-08 6485
大多数人在属性访问方面，肯定会知道使用英语句号 “.” 例如（x.name）。一直好奇这玩意是怎么实现的，翻阅python的官方文件，得知，主要是使用 __dict__ 这个属性。 下面看一个简单的例子： class C(object): x = 4 c = C() c.y = 5 print(c.__dict__) # output --> {'y': 5} 注意上面...
PointPillars论文阅读和代码解析
slamer111的博客
10-28 2515
PointPillars
PointPillars:点云物体识别的快速编码
3D视觉工坊
05-13 2642
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：Panzerfahrer链接：https://zhuanlan.zhihu.com/p/107975261本文转载自知乎，作者...
PointPillars点云检测在OpenPCDet推理代码详解
NNNNNathan的博客
02-24 7678
在之前的文章中已经详细解析了PointPillars的论文和训练代码的实现和详解，可以参考之前的博客：PointPillars论文解析和OpenPCDet代码解析_NNNNNathan的博客-CSDN博客。 本篇博客将会详细解析PointPillars模型在OpenPCDet中推理代码，并测试推理的效果。 读者可以下载OpenPCDet后根据文章进行阅读和理解。 由于本人才疏学浅，解析中难免会出现不足之处，欢迎指正、讨论，有好的建议或意见都可以在评论区留言。谢谢大家！ PointPi...
GT1050 PointPillar成功运行
u010647296的博客
10-30 2227
目的 之前在感知这里主要是考传统的算法，但是遇到了瓶颈，计算效率提不上来，所以尝试一下其他的方法。目前看到pointpillar这种方法效果比较好，就打算尝试一下,跑通测试一下效果。 piontpillar 需要的环境 1做了一些尝试：在xavier上 需要nvidai驱动，cuda10.X+cudnn7.6.以及sensort。 实验条件：我手上有一台Xavier 和 一台联想拯救者Y7000（GTX1050），均安装了ubuntu18.04+ros meldic，其中Xavier已经安装了nvidai驱
3D点云学习：SECOND目标检测②源码注释
themasterbi的博客
07-05 2881
源码链接: PCDet. 很遗憾，SECOND的算法复现也要依赖于spconv库，而spconv库目前只支持在ubuntu系统中进行编译（虚拟机也不行），复现还是没有成功，想去安装双系统了… 1 数据预处理PCDet-master\pcdet\datasets\kitti\kitti_dataset.py SECOND数据的预处理与大多数点云目标检测的预处理相似，主要任务在于 1>生成储存train/val数据info的文件kitti_infos_%s.pkl 2>生成数据增强时使用的groun
EasyPointPillars训练复现以及相关问题
常先生
11-19 3384
pointpillars快速训练以及问题总结
pointpillars代码阅读----prep_pointcloud篇
05-12 824
Brief 这一篇内容主要是对函数prep_pointcloud进行debug和记录，这里也是dataloader的大部分内容，同时也涉及到gt的loss函数部分。作者的function breif如下： convert point cloud to voxels, create targets if ground truths exists. input_dict format: dataset.get_sensor_data format 说明只有在gt存在时，才会有target，那
python中zip()函数的用法
热门推荐
张康的博客
06-18 10万+
zip函数的原型为：zip([iterable, …])参数iterable为可迭代的对象，并且可以有多个参数。该函数返回一个以元组为元素的列表，其中第 i 个元组包含每个参数序列的第 i 个元素。返回的列表长度被截断为最短的参数序列的长度。只有一个序列参数时，它返回一个1元组的列表。没有参数时，它返回一个空的列表。import numpy as np a=[1,2,3,4,5] b=(1,2,3,
data.to_dict()与dict（data）获取到的数据的区别
weixin_30633507的博客
09-15 1103
转载于:https://www.cnblogs.com/wapn/p/9650936.html
data_list=[] for i,j in values_dict.items(): data_dict={} data_dict["name"]=i data_dict["value"]=j data_list.append(data_dict) data_list
最新发布
07-15
您的代码是用来创建一个空列表 data_list，并遍历 values_dict 字典的键值对。对于每个键值对，创建一个空字典 data_dict，并将键 "name" 的值设置为当前键的值 i，将键 "value" 的值设置为当前值 j。然后将 data_...
评论
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