【自动驾驶实战】基于Paddle3D&Apollo的点云3D目标物检测

环境准备

本环境中默认已经安装了最新的Paddle 2.4版本，您无需自行安装

# 下载Paddle3D的代码+
!git clone https://github.com/PaddlePaddle/Paddle3D.git

# 跳转到代码目录中
%cd /home/aistudio/Paddle3D
# 升级pip并安装第三方依赖包
!pip install -U pip
!pip install -r requirements.txt

# 安装Paddle3D的代码
!pip install -e .

数据准备

# 解压缩项目中挂载的数据集
# 该数据集是基于KITTI数据进行随机抽取的小批量数据集，方便用户快速训练和验证
%cd /home/aistudio/data/data181431/
!tar xvzf KITTI_mini_lidar.tar.gz

# 创建数据集目录，并将解压好的数据集通过软链接的方式进行连接
%cd /home/aistudio/Paddle3D
!mkdir datasets
%cd datasets
!ln -s /home/aistudio/data/data181431/KITTI KITTI

# 生成真值数据库
%cd /home/aistudio/Paddle3D
!python tools/create_det_gt_database.py --dataset_name kitti --dataset_root ./datasets/KITTI --save_dir ./datasets/KITTI

模型训练

注意：请确保模型在4卡环境下训练，否则模型效果可能会比较差

在4卡V100上面，预计需要训练20分钟左右

%cd /home/aistudio/Paddle3D
# 清空文件夹
!rm -rf output_centerpoint_kitti

# 使用如下命令启动4卡训练
!python -m paddle.distributed.launch tools/train.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti_mini.yml --num_workers 2 --log_interval 50 --save_interval 4 --save_dir output_centerpoint_kitti

模型评估

注意：该教程只是为了快速演示模型的训练效果，并没有经过细致的超参调优，因此最终的指标并不是模型的最优效果

# 使用如下命令启动模型评估，我们选择训练过程中最后保存的一组参数来评估效果
!python tools/evaluate.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti_mini.yml --num_workers 2 --model output_centerpoint_kitti/epoch_20/model.pdparams --batch_size 1

模型导出

当模型训练完成后，我们需要将模型导出成推理可用的格式

# 使用如下命令导出模型文件以及meta信息
!python tools/export.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti_mini.yml --model output_centerpoint_kitti/epoch_20/model.pdparams --export_for_apollo --save_name centerpoint

# 将exported_model目录打包成centerpoint_paddle.zip压缩包，该压缩包后续用于安装至apollo
!zip -r centerpoint_paddle exported_model/

此文章为搬运
原项目链接