ubuntu18.04安装OpenPcdet及运行训练和demo代码记录

一、配置环境

        1.安装cuda（因为后续需要安装sponcv，所以建议安装有sopncv版本对应的cuda，这里安装的是cuda11.3）。

        关于cuda driver version和cuda runtime version的问题

在终端运行

nvidia-smi

 看到的右上角的cuda version是显卡支持的最高cuda toolkit的版本，在cuda toolkit官网中选择可以安装的cuda toolkit：

CUDA Toolkit Archive | NVIDIA Developer

cuda可以安装多个版本进行切换，可以查询其他文章学习。

        2.conda创建环境：

conda create -n openpcdet python=3.10

conda activate openpcdet

        3.安装pytorch

在pytorch官网找到与cuda版本对应的 pytorch安装

Previous PyTorch Versions | PyTorch

pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113

         4.安装sponcv

选择对应cuda版本的sponcv安装

​GitHub - traveller59/spconv: Spatial Sparse Convolution Library

pip install spconv-cu113	

二、安装OpenPcdet

        1.下载代码

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

        2.安装依赖项及编译

在OpenPcdet路径下

pip install -r requirements.txt

python setup.py develop

        3.安装一些库（在后面的运行中提示缺少了几个库）

pip install av2 -i https://mirrors.aliyun.com/pypi/simple

pip install kornia==0.6.5

pip install open3d

三、实现demo（使用kitti数据作为演示）

进入OpenPCDet/tools路径下运行：

python demo.py --cfg_file cfgs/kitti_models/pv_rcnn.yaml \
    --ckpt pv_rcnn_8369.pth \
    --data_path ./data/kitti/training/velodyne/000008.bin

--cfg_file后的是模型配置文件

--ckpt后的是预训练模型可以在OpenPcdet中的Model Zoo中下载

 

--data_path 后的是点云文件

运行成功后就得到下面的目标识别图了

四、（训练）准备数据集

        1.下载数据集

本文使用的是kitti数据集,在kitti官网object中的3D object中下载3D目标识别的数据集。

这里需要单独下载其中的几个压缩文件，并将他们组织成下面的文件树：

OpenPCDet
├── data
│   ├── kitti
│   │   │── ImageSets
│   │   │── training
│   │   │   ├──calib & velodyne & label_2 & image_2 & (optional: planes) & (optional: depth_2)
│   │   │── testing
│   │   │   ├──calib & velodyne & image_2
├── pcdet
├── tools

凭着记忆应该是16MB的是calib，5MB的是label_2，29GB的是Velodyne的点云文件，12GB的是image_2。

        2.生成数据信息

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

运行成功后会在kitti路径下多出gt_database和5个.pkl文件

五、（训练）使用单个GPU训练

在OpenPcdet/tools路径下运行：

python train.py --cfg_file cfgs/kitti_models/pointrcnn.yaml --batch_size 3 --epochs 60

--cfg_file后的是模型配置文件

还可以指定其他参数如batch_size和epochs。