mmedtection3d环境配置

1、基础环境

提前安装好，安装显卡驱动，cuda和cudnn的安装，Anaconda基础是深度学习环境

2、pytorch的安装

创建anaconda虚拟环境

输入如下指令创建并激活虚拟环境

conda create --name openmmlab python=3.8 -y

激活虚拟环境

conda activate openmmlab

安装pytorch

方案1

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

方案2

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

进行pytorch安装。
安装完成后检查pytorch是否安装成功，能否使用cuda在当前终端输入

python
import torch
torch.cuda.is_available()

显示true后输入 exit()退出python

输出结果如上代表pytorch安装成功！

2、安装mmdetection3d

依赖的安装

首先下载工具mim：

pip install -U openmim

mim install mmengine==0.10.4

#下载mmcv

pip install mmcv==2.0.1 -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.8/index.html

#下载mmcv-full

mim install mmcv-full==1.7.2

#下载mmdet
mim install mmdet==3.3.0

#下载mmsegmentation
mim install mmsegmentation==1.2.2

#下载mmdet3d
mim install mmdet3d==1.4.0

下载源码加编译

cd 到所给源代码目录

例如：我的源代码在G盘（从github下载mmdet3d源代码）

cd mmdetection3d-main

pip install -e .

方案2：实验室电脑可以把代码放在桌面

cd Desktop

cd mmdetection3d-main

pip install -e .

验证安装

步骤 1. 我们需要下载配置文件和模型权重文件。

mim download mmdet3d --config pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car --dest .

下载将需要几秒钟或更长时间，这取决于您的网络环境。完成后，您会在当前文件夹中发现两个文件 pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car.py 和 hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20220331_134606-d42d15ed.pth。

步骤 2. 推理验证。

python demo/pcd_demo.py demo/data/kitti/000008.bin pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car.py hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20220331_134606-d42d15ed.pth --show

Demo 会将预测结果保存到 outputs/pred/000008.json 文件中

得到的json文件解读：

labels_3d:

这是一个包含10个元素的列表，每个元素都是0。这通常表示系统已经检测到了10个对象（可能是车辆、行人或其他）

scores_3d:

这是一个包含10个元素的列表，每个元素都是一个浮点数，表示系统对每个检测到的对象的置信度或分数。分数越高，系统对该检测的信心就越大。在这个例子中，第一个对象的置信度最高（0.9750319123268127），而最后一个对象的置信度最低（0.4417424499988556）。

bboxes_3d:

这是一个包含10个元素的列表，每个元素都是一个包含7个元素的列表（代表一个3D边界框）。这7个元素分别是：

x, y, z：边界框的中心坐标（在3D空间中）。

l, w, h：边界框的长、宽、高。

r：边界框的旋转角（通常是绕z轴的旋转）。

这些边界框定义了检测到的对象在3D空间中的位置和大小。

box_type_3d:

这是一个字符串，表示这些边界框的类型是"LiDAR"。这确认了我们正在处理的数据来自LiDAR传感器。