pointRCNN复现记录

一, 双系统安装及驱动下载，CUDA及CUDNN下载安装
1.Ubuntu20.04下载及安装
Windows 和 Ubuntu 双系统的安装和卸载
记得·Ubuntu安装完后要更新一下，在终端里，先执行sudo apt update，然后sudo apt install build-essential
2.NVIDIA显卡的Ubuntu驱动程序安装方法
我测试下来发现从官网下驱动会有重启黑屏卡登录的问题，而用终端通过代码就没有
3.实测有效：在Ubuntu 20.04上安装NVIDIA驱动程序的方法
4.Ubuntu20.04下CUDA、cuDNN的详细安装与配置过程/ubuntu 安装 Cuda与 Cudnn进化版
4.1

我选的是8.2.1版本

注：对CUDA安装是否成功，需要进入NVIDIA CUDA示例包，其位于**/home/liang/NVIDIA_CUDA-11.0_Samples内，在该文件夹下打开终端，并输入 sudo make。然后进入1_Utilities/deviceQuery文件夹，并在终端执行./deviceQuery**命令，如下result=PASS则表示安装成功。

二。Point RCNN 复现
在已经搭建cuda11.3. cudnn8.2.1 的基础上，选择anaconda 3 python 3.7 作为深度学习虚拟环境的搭建。
1.安装ancinda
ubuntu 20.04 | 安装与卸载 Anaconda3 + CUDA 11.1 + cuDNN 8.0.5 + PyTorch 1.9.0

2. 在anaconda 3 采用 conda 安装torch

2.安装python

  conda create -n pointrcnn python=3.7

进入/离开该环境：

  1.conda activate pointrcnn
  2.conda deactivate

3.安装pytorch 1.10
pip安装(使用清华源)：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==1.10.0

检查：conda list存在torch即安装完成

打开python，并运行：import torch 载入该模块，未报错则成功。

4.下载源代码
[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）

https://github.com/sshaoshuai/PointRCNN

Pytorch版本的代码、直接进github下载，这一步应该不需要过多解释。

如果有不会下载的可以直接打开一个终端，输入一下代码

git clone https://github.com/sshaoshuai/PointRCNN

**
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。下载源代码后，在该文件下打开终端，输入下面的代码，安装依赖库*
安装pointnet2，iou3d，roipool3d三个依赖。

sh build_and_install.sh 

安装其它相关依赖库

pip install easydict
pip install tqdm
pip install tensorboardX
pip install scipy
pip install fire
pip install scikit-image 
pip install numba
pip install pyyaml

出警告如下：未理会。

5.数据集下载及放置

6.使用作者预训练模型
利用作者的预训练模型可以直接检测，将下图中这个模型放在tools文件夹下

接下里开始检测：

python eval_rcnn.py --cfg_file cfgs/default.yaml --ckpt PointRCNN.pth --batch_size 1 --eval_mode rcnn --set RPN.LOC_XZ_FINE False

错误1：TypeError: load() missing 1 requered positional argument : ‘Loader’
解决方法：

pip install pyyaml==5.1

等个10分钟

检测结果放在以下路径下：

PointRCNN/output/rcnn/default/eval/epoch_no_number/val/final_result/

三。结果可视化
克隆可视化工具：
git clone 下载或者直接在 GitHub 上下载源码，与 PointRCNN 项目可以不放在同一文件夹下

git clone https://github.com/kuixu/kitti_object_vis.git
pip install opencv-python pillow scipy matplotlib
conda install mayavi -c conda-forge

安装conda install mayavi -c conda-forge有warning，无需理会。
***注意：**在Python3.x环境下在安装mayavi时，想要运行成功，则需要PyQt、PySide或者wxPython。
选择PyQt5组件及依赖安装：
在配置的环境下输入指令 conda install pyqt5==5.12.0 安装PyQt5。
系统环境中安装依赖组件。
输入 sudo apt install pyqt5 安装pyqt5的依赖项。
输入 sudo apt install qt5-default qttools5-dev-tools 安装qtdesigner。

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。

cd kitti_object_vis/data
ln -s /home/Ubuntu/PointRCNN/data/KITTI/object

可视化显示，使用相应的指令进行可视化显示，在终端界面按回车键显示下一张图。
只显示 LiDAR 的真值。

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

显示雷达和 image 的真值。

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

数据集较大，指定特定某张图的可视化，加 --ind 100 指定图像编号为 000100.txt 。

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis --show_image_with_boxes --ind 100 

显示 PointRCNN 的预测值和真值对比，在可视化命令后加 -p 。

python kitti_object.py --show_lidar_with_depth --img_fov --const_box --vis --show_image_with_boxes --ind 6 -p

**可视化显示损失函数。
进入到 PointRCNN/output/rpn/default 目录下，打开终端，输入指令 tensorboard --logdir tensorboard 查看 RPN 网络训练的损失函数。进入到 PointRCNN/output/rcnn/default 目录下，打开终端，输入指令 tensorboard --logdir tensorboard 查看 RCNN 网络训练的损失函数。需要先安装 tensorflow-gpu，tensorboard，tensorflow-tensorboard，默认安装最高版本即可。

pip install tensorflow-gpu tensorboard tensorflow-tensorboard

致谢
感谢以上各位博主及其他未提到的博主关于 PointRCNN 文章解读以及复现的分享。