![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
mmdetection3d
文章平均质量分 89
Kadima°
行至水穷处,坐看云起时
展开
-
【mmcv】——config配置文件的使用
配置Config 类用于操作配置文件,它支持从多种文件格式中加载配置,包括 python, json 和 yaml。它提供了类似字典对象的接口来获取和设置值。以配置文件 test.py 为例a = 1b = dict(b1=[0, 1, 2], b2=None)c = (1, 2)d = 'string'加载与使用配置文件>>> cfg = Config.fromfile('test.py')>>> print(cfg)>>> d原创 2021-11-15 20:04:05 · 3500 阅读 · 0 评论 -
【mmcv】——CNN
【mmdetection3d】——卷积神经网络我们为卷积神经网络提供了一些构建模块,包括层构建、模块组件和权重初始化。网络层的构建在运行实验时,我们可能需要尝试同属一种类型但不同配置的层,但又不希望每次都修改代码。于是我们提供一些层构建方法,可以从字典构建层,字典可以在配置文件中配置,也可以通过命令行参数指定。用法一个简单的例子:cfg = dict(type='Conv3d')layer = build_conv_layer(cfg, in_channels=3, out_channels=原创 2021-11-15 19:40:33 · 5663 阅读 · 5 评论 -
【mmdetection3d】——使用 dataset 装饰器自定义数据集
使用 dataset 装饰器自定义数据集MMDetection 也支持非常多的数据集包装器(wrapper)来混合数据集或在训练时修改数据集的分布。最近 MMDetection 支持如下三种数据集包装:RepeatDataset:将整个数据集简单地重复。ClassBalancedDataset:以类别均衡的方式重复数据集。ConcatDataset:合并数据集。重复数据集(Repeat dataset)使用 RepeatDataset 包装器来重复数据集。例如,假设原始数据集为 Datas原创 2021-11-12 13:25:24 · 4271 阅读 · 2 评论 -
【mmdetection3d】——注册器
class Registry: """A registry to map strings to classes. Registered object could be built from registry. Example: >>> MODELS = Registry('models') >>> @MODELS.register_module() >>> class ResNet原创 2021-11-11 22:45:41 · 1186 阅读 · 0 评论 -
【mmdetection3d】——torch.backends.cudnn.benchmark
MMDetection3D代码学习笔记——torch.backends.cudnn.benchmark前言大家在训练深度学习模型的时候,经常会使用 GPU 来加速网络的训练。但是说起 torch.backends.cudnn.benchmark 这个 GPU 相关的 flag,可能有人会感到比较陌生。在一般场景下,只要简单地在 PyTorch 程序开头将其值设置为 True,就可以大大提升卷积神经网络的运行速度。既然如此神奇,为什么 PyTorch 不将其默认设置为 True?它的适用场景是什么?为什么原创 2020-11-21 22:51:55 · 904 阅读 · 0 评论 -
【mmdetection3d】——常用工具
我们在 tools/ 文件夹路径下提供了许多有用的工具。日志分析给定一个训练的日志文件,您可以绘制出 loss/mAP 曲线。首先需要运行 pip install seaborn 安装依赖包。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zIogAzf5-1636446617786)(…/resources/loss_curve.png)]python tools/analysis_tools/analyze_logs.py plot_curve [--keys ${原创 2021-11-09 16:30:52 · 1528 阅读 · 0 评论 -
【mmdetection3d】——使用已有模型在标准数据集上进行推理和训练
1: 使用已有模型在标准数据集上进行推理和训练使用已有模型进行推理这里我们提供了评测 SUNRGBD、ScanNet、KITTI 等多个数据集的测试脚本。请参考开始下的验证/样例来获取更容易集成到其它项目和基本样例的高级接口。在标准数据集上测试已有模型单显卡单节点多显卡多节点你可以通过以下命令来测试数据集:# 单块显卡测试python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [--out ${RESULT_FILE}] [--e原创 2021-11-09 15:59:48 · 3476 阅读 · 3 评论 -
【mmdetection3d】——自定义运行时配置
教程 5: 自定义运行时配置自定义优化器设置自定义 PyTorch 支持的优化器我们已经支持使用所有 PyTorch 实现的优化器,且唯一需要修改的地方就是改变配置文件中的 optimizer 字段。举个例子,如果您想使用 ADAM (注意到这样可能会使性能大幅下降),您可以这样修改:optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001)为了修改模型的学习率,用户只需要修改优化器配置中的 lr 字段。用户可以根据 PyTorc原创 2021-11-08 21:36:37 · 2228 阅读 · 0 评论 -
【mmdetection3d】——03自定义数据预处理流程
教程 3: 自定义数据预处理流程数据预处理流程的设计遵循一般惯例,我们使用 Dataset 和 DataLoader 来调用多个进程进行数据的加载。Dataset 将会返回与模型前向传播的参数所对应的数据项构成的字典。因为目标检测中的数据的尺寸可能无法保持一致(如点云中点的数量、真实标注框的尺寸等),我们在 MMCV 中引入一个 DataContainer 类型,来帮助收集和分发不同尺寸的数据。请参考此处获取更多细节。数据预处理流程和数据集之间是互相分离的两个部分,通常数据集定义了如何处理标注信息,而原创 2021-11-08 21:35:09 · 3448 阅读 · 2 评论 -
【mmdetection3d】——04自定义模型
教程 4: 自定义模型我们通常把模型的各个组成成分分成6种类型:编码器(encoder):包括 voxel layer、voxel encoder 和 middle encoder 等进入 backbone 前所使用的基于 voxel 的方法,如 HardVFE 和 PointPillarsScatter。骨干网络(backbone):通常采用 FCN 网络来提取特征图,如 ResNet 和 SECOND。颈部网络(neck):位于 backbones 和 heads 之间的组成模块,如 FPN原创 2021-11-08 20:40:44 · 2318 阅读 · 0 评论 -
【mmdetection3d】——学习配置文件
教程 1: 学习配置文件我们在配置文件中支持了继承和模块化来方便进行各种实验。如果需要检查配置文件,可以通过运行 python tools/misc/print_config.py /PATH/TO/CONFIG 来查看完整的配置。你也可以传入 --options xxx.yyy=zzz 参数来查看更新后的配置。配置文件结构在 config/_base_ 文件夹下有 4 个基本组件类型,分别是:数据集 (dataset),模型 (model),训练策略 (schedule) 和运行时的默认设置 (原创 2021-11-08 20:17:06 · 1819 阅读 · 0 评论 -
【mmdetection3d】——3D 目标检测 NuScenes 数据集
3D 目标检测 NuScenes 数据集本页提供了有关在 MMDetection3D 中使用 nuScenes 数据集的具体教程。准备之前您可以在这里下载 nuScenes 3D 检测数据并解压缩所有 zip 文件。像准备数据集的一般方法一样,建议将数据集根目录软链接到 $MMDETECTION3D/data。在我们处理之前,文件夹结构应按如下方式组织。mmdetection3d├── mmdet3d├── tools├── configs├── data│ ├── nuscene原创 2021-11-08 17:37:32 · 13239 阅读 · 14 评论 -
【mmdetection3d】——3D 目标检测 KITTI 数据集
3D 目标检测 KITTI 数据集本页提供了有关在 MMDetection3D 中使用 KITTI 数据集的具体教程。注意:此教程目前仅适用于基于雷达和多模态的 3D 目标检测的相关方法,与基于单目图像的 3D 目标检测相关的内容会在之后进行补充。数据准备您可以在这里下载 KITTI 3D 检测数据并解压缩所有 zip 文件。像准备数据集的一般方法一样,建议将数据集根目录链接到 $MMDETECTION3D/data。在我们处理之前,文件夹结构应按如下方式组织:mmdetection3d├─原创 2021-11-08 17:22:41 · 4786 阅读 · 2 评论