PVN3D学习记录

class Config

self.dataset_name     数据集名称
self.exp_dir          当前文件路径
self.exp_name         当前文件名
self.resnet_ptr_mdl_p RESNET预训练模型
self.log_dir		  train_log
self.log_model_dir    checkpoints
self.log_eval_dir      eval_results


self.n_total_epoch = 25
self.mini_batch_size = 2  # 24
self.num_mini_batch_per_epoch = 105 * 4
self.val_mini_batch_size = 2  # 24
self.val_num_mini_batch_per_epoch = 43 * 4
self.test_mini_batch_size = 1

 self.n_sample_points = 8192 + 4096
 self.n_keypoints = 20  # 20为针对栈板特定构造的选点
 self.n_min_points = 400
 self.noise_trans = 0.05  #
 
 self.n_objects = 1 + 1
 self.n_classes = 1 + 1
 self.pallet_cls_lst_p      数据集的类别定义文件
 self.pallet_root           数据集根目录
 self.pallet_kps_dir        数据集的21个物体的角点,最远点三维坐标,是物体的信息 
							datasets/pallet/Pallet_obj_kps/

pallet_r_lst_p              21个物体的半径
 							datasets/pallet/dataset_config/radius.txt
self.pallet_r_lst           np.loadtxt(pallet_r_lst_p).tolist()
           							 21个物体的半径列表 
self.pallet_cls_lst         self.read_lines(self.pallet_cls_lst_p)
									21个物体的类别列表
self.val_test_pkl_p = os.path.join(
                self.exp_dir,
                'datasets/pallet/test_val_data_pts{}.pkl'.format(self.n_sample_points),
            )
self.intrinsic_matrix

class Pallet_Dataset

self.dataset_name = dataset_name
self.xmap = np.array([[j for i in range(640)] for j in range(480)])
self.ymap = np.array([[i for i in range(640)] for j in range(480)])
self.diameters = {}                                                  直径
self.trancolor = transforms.ColorJitter(0.2, 0.2, 0.2, 0.05)         随机改变图像的亮度、对比度和饱和度。
self.norm = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.224])
self.cls_lst = bs_utils.read_lines(config.pallet_cls_lst_p)      
self.obj_dict= {}          物体字典,键是物体名字,值是索引1到21

for cls_id, cls in enumerate(self.cls_lst, start=1):
            self.obj_dict[cls] = cls_id
self.path         训练集数据列表文件路径           
self.all_lst      训练集中的真实数据
self.real_lst = []   训练集中的真实数据,存的东西是data/0048/000135类型
 for item in self.all_lst:
       # if item[:5] == 'data/':
       self.real_lst.append(item)
self.pp_data = None
if os.path.exists(config.preprocessed_testset_pth) and config.use_preprocess:
    print('Loading valtestset.')
    with open(config.preprocessed_testset_pth, 'rb') as f:
        self.pp_data = pkl.load(f)  # 通过pickle模块的反序列化操作(load)，我们能够从文件中创建上一次程序保存的对象。
    self.all_lst = [i for i in range(len(self.pp_data))]
    print('Finish loading valtestset.')
 else:
             self.add_noise = False
             root_path = os.path.split(os.path.realpath(__file__))[0]
             self.path = root_path + '/dataset_config/test_data_list.txt'
             self.all_lst = bs_utils.read_lines(self.path)
     print("{}_dataset_size: ".format(dataset_name), len(self.all_lst))
     self.root = config.pallet_root
     self.current_item_name = ""

def real_syn_gen(self):    随机读取一个训练集中的元素
def real_gen(self):        从real_lst中随机读一个
def rand_range(self, rng, lo, hi):      在hi和lo中随机生成一个值返回
def gaussian_noise(self, rng, img, sigma):      将给定 sigma 的高斯噪声添加到图像
def linear_motion_blur(self, img, angle, length):   线性运动模糊
def rgb_add_noise(self, img):         通过self.rng产生随机数,来决定对图像进行何种增强,锐化,运动模糊,高斯模糊
def get_normal(self, cld):           计算点云的法向量
def add_real_back(self, rgb, labels, dpt, dpt_msk):
def get_item(self, item_name):             读取了mat数据
def get_item_in_use(self, item_name):      仅在推理,无标注信息时使用！！！