自动驾驶系统基于PointPillars的点云三维目标检测和TensorRT实战（1）

最新推荐文章于 2024-01-02 15:23:16 发布
最新推荐文章于 2024-01-02 15:23:16 发布
阅读量501 收藏 6
点赞数 4
分类专栏： 2024年机器学习&深度学习千例 文章标签： 自动驾驶 目标检测 人工智能
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/m0_68036862/article/details/133696972
版权
本文介绍了基于PointPillars的自动驾驶三维目标检测方法，包括其特点、网络结构、训练过程和验证模型。PointPillars使用2D卷积提高速度，通过Pillar Feature Net、Backbone和Detection Head进行特征学习和检测。在Kitti数据集上训练后，模型在C++项目中通过TensorRT进行推理。
摘要由CSDN通过智能技术生成

发表于CVPR2019的PointPillars是目前比较受业内认可的激光雷达三维检测算法，其推理速度和性能俱佳，百度Apollo和Autoware两个开源自动驾驶项目的感知系统均包含了基于PointPillars目标检测模块。本文首先从理论层面解析PointPillars方法，接着使用PyTorch和Kitti数据集从零开始训练一个神经网络，我们将使用kitti的测试数据推理并可视化检测结果。在下一篇文章中，我们将模型导出为ONNX，并且进一步导出为TensorRT的engine模型，最后在C++项目中推理TensorRT模型。完成本文，你将能复现以下结果：

PointPillars方法的特点

和2D图像的深度学习目标检测很不相同，点云数据具有两个显著特征：（1）相对2D图像来说，点云数据非常稀疏；（2）点云数据是三维的。为了

了解本专栏 订阅专栏 解锁全文
人工智能_SYBH
关注
专栏目录
订阅专栏
自动驾驶系统进阶与项目实战（十）基于PointPillars的点云三维目标检测和TensorRT实战（1）
AdamShan的博客
07-18 1万+
自动驾驶系统进阶与项目实战（十）基于PointPillars的点云三维目标检测和TensorRT实战（1） 发表于CVPR2019的PointPillars是目前比较受业内认可的激光雷达三维检测算法，其推理速度和性能俱佳，百度Apollo和Autoware两个开源自动驾驶项目的感知系统均包含了基于PointPillars目标检测模块。本文首先从理论层面解析PointPillars方法，接着使用PyTorch和Kitti数据集从零开始训练一个神经网络，我们将使用kitti的测试数据推理并可视化检测结果。在下
自动驾驶系统进阶与项目实战（三）基于全卷积神经网络的点云三维目标检测和ROS实战
热门推荐
AdamShan的博客
05-16 1万+
自动驾驶系统进阶与项目实战（三）基于全卷积神经网络的点云三维目标检测和ROS实战 前面入门系列的文章中我介绍了几种点云三维分割/目标检测模型，在做点云预处理上，有通过球面投射（SqueezeNet）得到深度图的，也有采用Voxel网格的（VoxelNet），本文我们一起学习一下百度开源的cnn_seg点云三维语义分割神经网络，该模型被集成于Apollo的perception模块，并且自Apollo 3.0开始一直是Apollo体系下用于障碍物检测的主力模型，在Apollo 5.0以后甚至release出了
C++:点云检测tensorrt推理
ywfwyht的博客
11-25 614
点云检测trt推理
三十. 智能驾驶之基于PointPillars的点云目标检测
okgwf的博客
02-13 2228
智能驾驶之基于PointPillars的点云目标检测
基于Rangenet Lib的自动驾驶LiDAR点云语义分割与可视化
u014374826的博客
01-02 910
这段代码是一个C++程序，用于处理来自KITTI数据集的激光雷达（LiDAR）扫描数据。程序主要实现以下功能：1. **读取和解析命令行参数**：使用Boost库中的`program_options`模块来定义和解析命令行参数。这包括扫描文件路径、模型路径以及是否启用详细模式（verbose）。2. **处理KITTI数据集中的LiDAR扫描数据**：程序遍历指定KITTI数据集目录中的LiDAR扫描数据（`.bin`格式）。这些数据包含了LiDAR扫描的点云信息。
PointPillars-TensorRT部署
h904798869的博客
08-21 1989
PointPillars-TensorRT部署，3D点云部署
自动驾驶系统进阶与项目实战(十)基于pointpillars的点云三维目标检测和tensorrt实
11-17
总而言之，基于pointpillars的点云三维目标检测和tensorrt实现是自动驾驶系统中的重要技术之一。通过深入理解算法原理，并在实践中进行调试和优化，可以实现高效准确的目标检测和识别，为自动驾驶系统的安全性和可靠...
自动驾驶场景下的三维目标检测技术研究
最新发布
02-21
流传感器（相机和激光雷达）的工作原理和类型分类进行了研究， 针对使用数据类型及数据的表示和处理方式上对主流的算法进行分类比较， 分析各种方法在自动驾驶领域中的优缺点， 以及三维目标检测算法未来发展方向。...
second.pytorch:用于KITTI对象检测的PointPillars
05-11
点柱 欢迎来到PointPillars。 此存储库演示了如何通过对现有开放源代码库进行最小的要求更改，来在上重现（将在CVPR 2019上发布）的。 这不是官方的nuTonomy代码库，但可以用于匹配已发布的PointPillars结果。 警告：此代码未得到积极维护。 此代码可用于在论文的第一个版本重现结果。 对于还可以在nuScenes上重现PointPillars结果的主动维护的存储库，我们建议使用 。 我们不是存储库的所有者，但是我们与作者合作并认可了他的代码。 入门 这是的一个分支，此处复制了原始README的相关子集。 代码支持 仅支持python 3.6 +，pytorch 0.4.1+。 代码仅在Ubuntu 16.04 / 18.04上进行了测试。 安装 1.克隆代码 git clone https://github.com/nutonomy/second.pytor
CenterPoint-TensorRT部署
h904798869的博客
08-28 1321
CenterPoint-TensorRT部署,激光点云3D检测CUDA-TensorRT部署
基于pointpillars的点云目标检测、测试评估、TensorRT后量化及ROS可视化
xiaohu的博客
02-09 1904
参考：https://github.com/traveller59/kitti-object-eval-python，把相应的的依赖函数提取出来了，不需要单独安装second-1.5.1，spconv-1.0。也可以混合精度测试，通过修改config里的yaml参数，测试评估时要保证路径一一对应。可以看出int8精度损失比较严重，需要进一步做感知训练量化，接下来会利用英伟达提供的。编译代码，会得到两个可执行文件，一个用于获取数据的推理结果，一个用于可视化。进一步做感知训练量化。
Qt+WIN10+Python：PointNet实现点云显示
qianxun
06-08 1025
pointnet的基于网上现有的只有基于tf的部署也是那种将框架下载下来基于C++部署，现在提供另外一种部署方式C++调用python的部署方式。网上很多关于点云得部署也有，有基于Tensorrt得部署。目前我们来尝试最简单的部署。。。首先我们下载pointnet代码：PointNet: PointNet+WIN10+训练与测试_Mr曲末寒的博客-CSDN博客https://blog.csdn.net/zhangdaoliang1/article/details/124712630 接下来我们使用C++调用
PointPillars 工程复现
Darchan的博客
07-29 7500
PointPillars 工程复现， 学习并复现PointPillars，解决部署时遇到的各类问题。
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
复现pointpillars，anaconda
sinounuo的博客
05-09 482
解决方法一：将conda-forge添加到搜索路径上首先，当出现这种报错时，应该首先尝试使用以下命令将conda-forge channel添加到你的channel列表中：conda config --append channels conda-forge它告诉conda在搜索软件包时也要在conda-forge channel上查看。在此期间我遇到下不下来最后一个包google-sparsehash，参考以下内容，在conda的官网上找到自己包的下载指令，如果依旧下载不下来，就直接本地下载。
pointpillars 复现
weixin_42783619的博客
04-19 2681
pointpillars 参考：https://www.dazhuanlan.com/2019/12/26/5e043fad59593/ 第3.3步生成pkl修改 按照官网文档改 python create_data.py create_kitti_info_file --data_path=KITTI_DATASET_ROOT 第4步，替换路径 2021-4-19，替换/root/data/kitti cd second.pytorch/second/configs sed -i "s:/root/da
python哪个版本好-现在python 流行哪个版本
weixin_37988176的博客
11-01 4549
Python有几种不同版本的实现方式，因为它们正在积极开发中，版本会定期发布。目前，有四种产品完备的、强大和稳定的主流Python实现：1.CPython是常规的老版本Python，也是我们通常所称的Python。它既是编译器也是解释器，有自己的一套全部用标准C语言编写的标准程序包和模块。该版本可以直接用于所有流行的当前平台。大多数的Python第三方程序包和库与此版本兼容。2.PyPy是Pyth...
你的ROS+PointPillars推理酱紫快？因为我有Cython!
weixin_53776054的博客
06-07 2235
在使用TensorRT加速后检测效果相较于直接pth推理的差太多，但又要满足实时性的要求，考虑从数据预处理方面使用Cython进行性能优化，达到既满足一定的检测精度、又满足实时检测的低时延的目标。
openpcdet复现pointpillars
08-03
要复现OpenPCDet中的PointPillars算法，可以按照以下步骤进行操作： 1. 首先，克隆OpenPCDet的GitHub仓库到本地。可以使用以下命令进行克隆： ``` git clone https://github.com/open-mmlab/OpenPCDet.git ``` 2. 进入克隆好的OpenPCDet目录，并安装所需的Python依赖。可以使用以下命令安装依赖： ``` cd OpenPCDet pip install -r requirements.txt ``` 3. 下载PointPillars的源代码和相关环境包。可以使用以下命令进行下载： ``` mkdir -p ~/pointpillars_ros/src cd ~/pointpillars_ros/src git clone https://github.com/BIT-DYN/pointpillars_ros ``` 4. 将OpenPCDet工程中的OpenPCDet/tools目录下的全部文件以及/OpenPCDet/pcdet目录下的文件复制到~/pointpillars_ros/src/pointpillars_ros/tools目录下。确保将所有文件都复制过去，尤其要注意不要遗漏pcdet文件夹。 5. 进入~/pointpillars_ros目录，并激活OpenPCDet的环境。可以使用以下命令进行激活： ``` cd ~/pointpillars_ros conda activate pcdet ``` 6. 安装所需的ROS依赖。可以使用以下命令进行安装： ``` pip install --user rospkg catkin_pkg sudo apt-get install ros-noetic-pcl-ros sudo apt-get install ros-noetic-jsk-recognition-msg sudo apt-get install ros-noetic-jsk-rviz-plugins ``` 7. 完成上述步骤后，即可开始复现PointPillars算法。可以使用以下命令启动PointPillars： ``` source ~/pointpillars_ros/devel/setup.bash roslaunch pointpillars_ros pointpillars.launch ``` 请注意，以上步骤仅为大致指导，具体操作可能因环境和配置而有所不同。建议参考OpenPCDet和PointPillars的官方文档以获取更详细的指导。
评论 1
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

打赏作者

人工智能_SYBH

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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