PointRCNN 车辆 行人 自行车识别

代码地址：
https://github.com/sshaoshuai/PointRCNN

项目原始测试环境：
Linux (tested on Ubuntu 14.04/16.04)、Python 3.6+、PyTorch 1.0

自测通过环境：
Ubuntu 16.04、Python 3.7.6 in Anaconda、Pytorch 1.2 + CUDA 9.2

Python 3.7.6 in Anaconda安装

官方指南：https://docs.anaconda.com/anaconda/install/linux/

具体步骤：

1. 在https://www.anaconda.com/products/individual#linux 网页最下方下载Linux Python 3.7版安装包

2. 在安装路径，例如Downloads下，执行如下命令进行安装：
   bash ~/Downloads/Anaconda3-2020.02-Linux-x86_64.sh

3. 后续根据操作提示进行操作即可完成安装

Pytorch 1.2 + CUDA 9.2安装

查看本机的CUDA及cuDNN版本：https://www.cnblogs.com/wuliytTaotao/p/11453265.html#%E6%9F%A5%E7%9C%8B-cudnn-%E7%89%88%E6%9C%AC
最新版Pytorch：https://pytorch.org/get-started/locally/
历史版本Pytorch（1.0.0以上）：https://pytorch.org/get-started/previous-versions/

注：我环境所安装的CUDA版本为9.1，cuDNN版本为7602（即7代）。亲测可以运行CUDA 9.2对应的Pytorch 1.2。

具体步骤：

1. 找到历史版本Pytorch 1.2.0+CUDA 9.2

2. 在终端执行如下命令安装（需要先完成Anaconda的安装）：
   conda install pytorch1.2.0 torchvision0.4.0 cudatoolkit=9.2 -c pytorch

3. 如果下载安装缓慢，请使用科学上网并在网络压力较小的时间段进行安装

KITTI 3D object detection数据集下载

数据集官网：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

所需数据集：
velodyne：http://www.cvlibs.net/download.php?file=data_object_velodyne.zip
calib：http://www.cvlibs.net/download.php?file=data_object_calib.zip
label_2：http://www.cvlibs.net/download.php?file=data_object_label_2.zip
image_2：http://www.cvlibs.net/download.php?file=data_object_image_2.zip
大文件推荐使用axel下载，如axel -n -4 http://www.cvlibs.net/download.php?file=data_object_image_2.zip

PointRCNN安装及运行

安装及配置依照https://github.com/sshaoshuai/PointRCNN即可
运行Quick Demo：
python eval_rcnn.py --cfg_file cfgs/default.yaml --ckpt PointRCNN.pth --batch_size 1 --eval_mode rcnn --set RPN.LOC_XZ_FINE False
运行过程开始时如发生以下错误:
ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.22’ not found

    需使用以下命令升级libstdc++:

sudo apt-get install libstdc++6

    参考https://blog.csdn.net/u011961856/article/details/79644342

运行效果：
eval: 100%|██| 3769/3769 [14:27<00:00, 4.35it/s, mode=EVAL, recall=11972/14385]
2020-07-23 12:20:28,906 INFO final average detections: 6.777
2020-07-23 12:20:28,907 INFO final average rpn_iou refined: 0.000
2020-07-23 12:20:28,907 INFO final average cls acc: 0.000
2020-07-23 12:20:28,907 INFO final average cls acc refined: 0.000
2020-07-23 12:20:28,907 INFO total roi bbox recall(thresh=0.100): 13689 / 14385 = 0.951616
2020-07-23 12:20:28,907 INFO total roi bbox recall(thresh=0.300): 13573 / 14385 = 0.943552
2020-07-23 12:20:28,907 INFO total roi bbox recall(thresh=0.500): 13314 / 14385 = 0.925547
2020-07-23 12:20:28,907 INFO total roi bbox recall(thresh=0.700): 10093 / 14385 = 0.701634
2020-07-23 12:20:28,907 INFO total roi bbox recall(thresh=0.900): 52 / 14385 = 0.003615
2020-07-23 12:20:28,907 INFO total bbox recall(thresh=0.100): 13687 / 14385 = 0.951477
2020-07-23 12:20:28,907 INFO total bbox recall(thresh=0.300): 13582 / 14385 = 0.944178
2020-07-23 12:20:28,907 INFO total bbox recall(thresh=0.500): 13423 / 14385 = 0.933125
2020-07-23 12:20:28,907 INFO total bbox recall(thresh=0.700): 11972 / 14385 = 0.832256
2020-07-23 12:20:28,907 INFO total bbox recall(thresh=0.900): 2340 / 14385 = 0.162669
2020-07-23 12:20:28,908 INFO Averate Precision:
Car AP@0.70, 0.70, 0.70:
bbox AP:96.9105, 89.5363, 88.7473
bev AP:90.2124, 87.8930, 85.5194
3d AP:89.1975, 78.8519, 77.9140
aos AP:96.90, 89.41, 88.54
Car AP@0.70, 0.50, 0.50:
bbox AP:96.9105, 89.5363, 88.7473
bev AP:97.0919, 89.8143, 89.3379
3d AP:97.0522, 89.7723, 89.2525
aos AP:96.90, 89.41, 88.54

用kitti_object_vis对结果可视化

https://github.com/kuixu/kitti_object_vis
https://blog.csdn.net/tiatiatiatia/article/details/97765165 （步骤3.2不需要链接后重命名为obj，直接用kitti的object即可）

注：

无需创建新的conda环境，直接在原始环境安装opencv, pillow, scipy, matplotlib（这部分应该已经预装了）及mayavi（conda install mayavi -c conda-forge）
test installation时若发生cv2.so: undefined symbol: PyCObject_Type错误，可将/opt/ros/kinetic/lib/python2.7/dist-packages/下的cv2.so改名为cv2_ros.so，参考
https://blog.csdn.net/qq_33591712/article/details/84757017
https://stackoverflow.com/questions/43019951/after-install-ros-kinetic-cannot-import-opencv?newreg=1fc9099ecd744c83adf801f027971739

效果评价

• 运行结果的各项指标与原论文中呈现的结果一致；
• 对于车辆的识别，PointRCNN常常出现误判，但漏判的情况不算太多；
• 由于项目提供的pretrained模型仅针对车辆进行训练，目前无法用肉眼确认PointRCNN对行人及自行车的识别率；