蓝鲸鱼的博客

PV-RCNN：paper，code配套理论篇：PV-RCNN代码解读——TP，FP，TN，FN的计算在compute_statistics_jit函数中添加如下输出代码：def compute_statistics_jit(overlaps, gt_datas, dt_datas, ignored_gt, ignored_det, dc_bboxes, metric, min_overlap, thresh=0, compute_fp=False, compute_aos=False):

PV-RCNN：paper，code打印gt_annos和dt_annos代码# pcdet/datasets/kitti/kitti_object_eval_python/eval.py============================ details of evaluation of image6 start==================== print('gt_annos:',gt_annos) print('dt_annos:',dt_annos) prin

PV-RCNN：paper，code配套理论篇：PV-RCNN代码解读——TP，FP，TN，FN的计算在eval_class函数中添加如下输出代码：# pcdet/datasets/kitti/kitti_object_eval_python/eval.py# 计算统计量tp, fp, fn, similarity, thresholdsdef eval_class(gt_annos, dt_annos, current_classes,

PV-RCNN：paper，code配套理论篇：PV-RCNN代码解读——计算iou（一）输出代码为了简化起见，只关注3d的结果，原码中bbox, bev, aos的部分都被我注释掉了# 在eval_class定义中调用calculate_iou_partly之后的位置输出overlap的计算结果def eval_class(gt_annos, dt_annos, current_classes, difficultys, metric, min_overlaps, compute_aos=Fal

PV-RCNN：paper，code进入data/kitti/ImageSets/val.txt，其中的数字即为我们要测试的点云数据，默认是3769个，将其修改为想要测试的点云文件的序号即可。更新一下代码： python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml...

PV-RCNN：paper，codecalculate_iou_partly函数的调用# 计算iou# pcdet/datasets/kitti/kitti_object_eval_python/eval.pyrets = calculate_iou_partly(dt_annos, gt_annos, metric, num_parts)(overlaps, parted_overlaps, total_dt_num, total_gt_num) = rets''' overlaps是

PV-RCNN：paper，code_prepare_data函数的调用# pcdet/datasets/kitti/kitti_object_eval_python/eval.py# 准备数据rets = _prepare_data(gt_annos, dt_annos, current_class, difficulty)(gt_datas_list, dt_datas_list, ignored_gts, ignored_dets, dontcares, total_dc_num, tota

PV-RCNN：paper，codeget_mAP和get_mAP_R40函数的定义# pcdet/datasets/kitti/kitti_object_eval_python/eval.py# get_official_eval_result中用到了几个简单函数def get_mAP(prec): # 计算mAP sums = 0 for i in range(0, prec.shape[-1], 4): sums = sums + prec[..., i]

PV-RCNN：paper，code（一）目标检测模型评估的介绍训练完数据并且测试最后一个epoch之后，log的结果INFO Car AP@0.70, 0.70, 0.70:bbox AP:89.6559, 83.1009, 78.4558bev AP:87.8147, 77.5440, 76.10723d AP:75.0818, 64.6598, 58.0468aos AP:87.94, 80.87, 75.62这里涉及到目标检测中几个重要的定义：IoU（Intersect

记录一个很好用的KITTI数据可视化的github代码git clone https://github.com/kuixu/kitti_object_vis.git

PV-RCNN：paper，code在tools/train.py中找到以下表示开始训练的代码 # -----------------------start training--------------------------- logger.info('**********************Start training %s/%s(%s)**********************' % (cfg.EXP_GROUP_PATH, cfg.TAG, a

PV-RCNN：paper，code

PV-RCNN：paper，codePV-RCNN环境配置

#-*- coding: UTF-8 -*- # 读取数据 bin 文件import osimport structdef read_data(file): file_path = file_dir+"/"+file final_text = open('final.txt', 'a') data_bin = open(file_path, 'rb') data_size = os.path.getsize(file_path) for i in rang

PV-RCNN：paper，code配置环境为Ubuntu16.04，需要配置的主要内容有：anacondapytorchcmakespconv如某些部分已安装可跳过（一）anaconda到anaconda官网下载对应版本或运行代码：wget https://repo.anaconda.com/archive/Anaconda3-2020.07-Linux-x86_64.sh如果没有wget，运行一下代码安装wget：sudo apt-get install wget安装an

PV-RCNN：paper，code在上图中，本文所讲述的是左侧Data部分，也即传入foward函数之前的data处理部分，以方便如何使用该论文的方法应用于自己的数据。思路：（一）建立一个DemoDataset类，其中储存关于输入数据的所有信息，包含六个参数dataset_cfg=cfg.DATA_CONFIG # 数据参数包含数据集 / 数据路径 / 信息路径 / 数据处理器 / 数据增强器等class_names=cfg.CLASS_NAMES # 类别名training=Fal

PV-RCNN：paper，code1. 输入参数从demo.py的main()看起def main(): args, cfg = parse_config() demo_dataset = DemoDataset( dataset_cfg=cfg.DATA_CONFIG, class_names=cfg.CLASS_NAMES, training=False, root_path=Path(args.data_path), ext=args.ext,