PCDet ubuntu16.04从安装到demo

PCDet ubuntu16.04安装到demo经历

首先看官网教程,并附上链接

0.准备工作:

在ForPyTorch(自己创建的虚拟环境)虚拟环境中确认:

conda activate ForPyTorch 	
python 	
import torch
print(torch.__version__)

得到:

python 3.6.2 pytorch1.2.0+cu92

或创建一个新的虚拟环境

conda create PCDet python=3.6

再安装pytorch1.2

conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=9.2 -c pytorch

检查

import torch   # 导入torch包 如果没有报错则表示安装成功
torch.cuda.is_available()  # 返回True则表示GPU可用， 反之则不可用

1.Cmake安装:

1).下载

首先到官网,根据自己版本下载文件
2).安装
在下载路径下解压，并创建软链接到opt路径

cd Downloads
tar zxvf cmake-3.18.2-Linux-x86_64.tar.gz
mv cmake-3.18.2-Linux-x86_64 /opt/cmake-3.18.2
ln -sf /opt/cmake-3.18.2/bin/*  /usr/bin/ ## 这一步之前组要su获得权限

3).检验
无报错即可

cmake --version 

2.spconv

因为自己是pytorch1.2,更新后的spconv已经在这个版本上不能顺利编译了,所以一定要在所给链接上手动下载然后解压
1）下载spconv1.0源代码分支：https://github.com/traveller59/spconv/tree/8da6f967fb9a054d8870c3515b1b44eca2103634
2)安装 libboost-all-dev:

sudo apt-get install aptitude
sudo aptitude install libboost-all-dev

3）下载pybind11：https://github.com/pybind/pybind11

4）解压pybind11，放到spconv的子文件third_party里

5）在spconv里执行

python setup.py bdist_wheel

cd ./dist
ls #得到一个文件名
pip install +filename

6）检验是否成功,仍是无报错即可

python
import spconv

3.pcdet

1. 下载
根据install.md的指示，首先将代码克隆下来

git clone https://github.com/open-mmlab/OpenPCDet.git

2.安装依赖
进入到OpenPCDet目录下，安装所有依赖

cd OpenPCDet

pip install -r requirements.txt 

3.安装
运行setup.py来安装pcdet

python setup.py develop

4.检验
检验是否安装成功，无报错即可

python 
import pcdet

5.可视化工具mayavi安装
直接pip install 一直各种报错
后解决:

python3 -m pip install mayavi

5.GettingStart
Dataset Preparation:

OpenPCDet
├── data
│   ├── kitti
│   │   │── ImageSets
│   │   │── training
│   │   │   ├──calib & velodyne & label_2 & image_2 & (optional: planes)
│   │   │── testing
│   │   │   ├──calib & velodyne & image_2
├── pcdet
├── tools

通过运行以下命令来生成数据信息:

python -m pcdet.datasets.kitti.kitti_dataset create_kitti_infos tools/cfgs/dataset_configs/kitti_dataset.yaml

demo:

python demo.py --cfg_file cfgs/kitti_models/pointpillar.yaml \
    --ckpt pointpillar.pth \
    --data_path ${POINT_CLOUD_DATA}

Training & Testing:
使用预训练的模型进行测试：

python test.py --cfg_file $ {CONFIG_FILE} --batch_size $ {BATCH_SIZE} --ckpt $ {CKPT}

要测试特定训练设置的所有保存的检查点并在Tensorboard上绘制性能曲线，请添加–eval_all参数：

python test.py --cfg_file $ {CONFIG_FILE} --batch_size $ {BATCH_SIZE} --eval_all