Kaist数据集的使用

一、数据包播放工具

工具地址

工具的安装

1.将项目下载到本地

git clone https://github.com/irapkaist/file_player.git

2.获取依赖

cd ~/catkin_ws/src
wstool init
wstool merge file_player/depend_pack.rosinstall
wstool update

3.编译运行

catkin_make
source devel/setup.bash
roslaunch file_player file_player.launch

运行launch文件之后就会弹出对话框

将下载好的数据集解压到同一个文件夹下,点击“Load”按钮找到解压的文件夹,加载之后播放。
**注:文件夹下要有 sensor_data文件夹和calibration文件夹。


附:加载的topic和数据类型

topictype
/gps/fixsensor_msgs/NavSatFix
/gps/odomnav_msgs/Odometry
/imu/data_rawsensor_msgs/Imu
/ns1/velodyne_pointssensor_msgs/PointCloud2
/ns2/velodyne_pointssensor_msgs/PointCloud2
/stereo/left/image_colorsensor_msgs/Image
/stereo/left/image_rawsensor_msgs/Image
/stereo/right/image_rawsensor_msgs/Image

二、遇到的问题

catkin_make过程中遇到的问题以及解决方法参考:博客

  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
根据提供的引用内容[1],关于KAIST数据集和YOLO超参数的设置,我找到了一些信息。KAIST数据集是用于行人检测和行人属性分析的数据集,而YOLO是一种用于实时目标检测的算法。 在YOLO中,超参数的设置包括以下几个方面: 1. 网络结构: YOLO算法有不同的版本(如YOLOv1、YOLOv2、YOLOv3等),每个版本的网络结构可能会有所不同。根据引用,YOLOv3采用了Darknet-53网络结构作为主干网络,其中包含53个卷积层。 2. 输入尺寸: YOLO算法中的输入尺寸是一个重要的超参数。根据引用,YOLOv3在KAIST数据集上的实验中,将输入图像的尺寸设置为416x416像素。 3. Anchor boxes: Anchor boxes是用于预测目标边界框的重要参数。根据引用,YOLOv3在KAIST数据集使用了9个不同尺度和宽高比的anchor boxes。 4. 学习率和迭代次数: 学习率和迭代次数是训练过程中的关键超参数。根据引用,YOLOv3在KAIST数据集上的实验中,将初始学习率设置为0.001,并进行了135个epochs的训练。 5. 其他超参数: YOLO还有其他一些超参数,如损失函数的权重、置信度阈值、非极大值抑制的阈值等。根据引用,YOLOv3在KAIST数据集上的实验中将置信度阈值设置为0.5,并使用了较小的非极大值抑制的阈值(如0.45)以提高检测的召回率。 总结一下,KAIST数据集上的YOLO超参数设置包括网络结构、输入尺寸、Anchor boxes、学习率和迭代次数以及其他超参数的设置。具体的超参数取值可以参考引用中的实验设置。 J. Choi, J. Kwon, and K. M. Lee, "Aerial pedestrian detection using YOLO on Kaist multispectral dataset," 2019 16th IEEE International Conference on Advanced Video and*** 1-6.

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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