安装、测试和训练OpenPCDet：一篇详尽的指南

简介

OpenPCDet是一个用于3D目标检测的开源工具箱，它提供了多种数据集的加载器，支持多种模型，并且易于扩展。在本博客中，我将引导你完成OpenPCDet的安装过程，并展示如何测试和训练预训练模型。

安装OpenPCDet

环境要求

在开始之前，请确保你的系统满足以下要求：

• Linux操作系统（Ubuntu 14.04/16.04/18.04/20.04/21.04已测试）
• Python 3.6或更高版本
• PyTorch 1.1或更高版本（测试了1.1, 1.3, 1.5到1.10）
• CUDA 9.0或更高版本（PyTorch 1.3+需要CUDA 9.2+）
• spconv库（v1.0, v1.2或v2.x）

安装步骤

1. 克隆仓库：

   git clone https://github.com/open-mmlab/OpenPCDet.git
   #官网测试的是pcdet v0.5
   #可以直接使用master进行编译，等其出错再说。
   #使用如下命令进行切换
   git tag
   #v0.1.0
   #v0.1.1
   #v0.2.0
   #v0.3.0
   #v0.5.0
   #v0.5.2
   git checkout v0.5.2
   

2. 安装依赖库：

   • 安装SparseConv库。根据你的PyTorch版本选择合适的spconv版本。
   • 对于PyTorch 1.1，安装spconv v1.0（commit 8da6f96）。
   • 对于PyTorch 1.3+，安装spconv v1.2或使用作者推荐的Docker。
   • 或者，你可以使用pip安装最新的spconv v2.x。

   注意：1、30系列的需要使用Cuda11. 否则会报如下错误。

       For Ampere-based NVIDIA GPUs, such as GeForce 30 series and NVIDIA A100, CUDA 11 is a must.
       For older NVIDIA GPUs, CUDA 11 is backward compatible, but CUDA 10.2 offers better compatibility and is more lightweight.
   

   2、安装spconv，直接使用命令安装

   pip install spconv-cu113
   

3. 安装OpenPCDet及其依赖：

   python setup.py develop
   #pytorch安装
   #测试pytroch1.6、 1.7的可以。
   #30系列显卡
   conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch
   #20系列显卡
   conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.2 -c pytorch
   

数据集准备

OpenPCDet支持多种数据集，包括KITTI、NuScenes、Waymo、Lyft和Pandaset。以下是准备KITTI数据集的示例：

1. 下载官方KITTI 3D目标检测数据集，并按以下结构组织文件：

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

测试预训练模型

测试预训练模型是一个了解OpenPCDet性能的好方法。以下是测试步骤：

1. 下载预训练模型：下载所需的预训练模型并将其放置在适当的位置。

2. 测试模型：

   python test.py --cfg_file ${CONFIG_FILE} --batch_size ${BATCH_SIZE} --ckpt ${CKPT}
   #ex
   python test.py --cfg_file ./cfgs/kitti_models/pointpillarback.yaml --ckpt ../checkpoints_office/pointpillar_7728.pth
   

   其中${CONFIG_FILE}是配置文件的路径，${BATCH_SIZE}是批处理大小，${CKPT}是检查点文件的路径。

3. 使用Tensorboard绘制性能曲线：

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

训练模型

训练自己的模型是机器学习中最激动人心的部分之一。以下是训练模型的基本步骤：

1. 准备数据集：按照上文所述准备你的数据集。

2. 配置训练参数：在train.py脚本中设置所需的参数，如批处理大小和训练周期。

3. 开始训练：

   • 使用单个GPU：

     python train.py --cfg_file ${CONFIG_FILE}
     #ex
     python train.py --cfg_file ./cfgs/kitti_models/pointpillar.yaml
     

   • 使用多个GPU或多台机器：

     sh scripts/dist_train.sh ${NUM_GPUS} --cfg_file ${CONFIG_FILE}
     

4. 监控训练过程：使用Tensorboard或其他可视化工具监控训练过程。

结论

OpenPCDet是一个功能强大的3D目标检测工具箱，它为研究人员和开发人员提供了一个易于使用的平台。通过本指南，你应该能够安装OpenPCDet，测试预训练模型，并开始训练你自己的模型。祝你在3D目标检测领域的探索中取得成功！

关注我的公众号auto_drive_ai（Ai fighting）, 第一时间获取更新内容。