本图文从介绍配置文件开始，逐步构建一个新的配置文件，并依次构建相关模型，最终使用一条点云数据简单走了一下处理流程关于mmdetection3d的安装，参考官方文档安装—MMDetection3D1.0.0rc4文档1、读取配置文件1.1mmdetection3d配置文件的组成官方文档:教程1:学习配置文件—MMDetection3D1.0.0rc4文档在mmdetection3d中，主要思想是通过继承默认配置来实现自定义模型，当然，也可以将模型的所有配置写在一个文件里，按需使用。配置文件存放于mmdetection3d/config目录下，其中**_base_目录为mmdetection3d自
在mmdetection中有时候训练模型会出现ValueError:needatleastonearraytoconcatenate的错误，详情如下图所示。很多人都说是mmdet/dataset下coco.py或voc.py中CLASSES设置与数据集对应不上，博主不以为然。因为在mmdetection2中，不需要到mmdet/dataset中修改CLASSES，只需要在训练配置文件中中设置一下就行了。config解释器会通过继承自动修改CLASSES的值，具体可见下图，或参考mmdetection2的使用教程从数据处理、配置文件到训练与测试（支持coco数据和pascal_voc数据）_万里
本文目前仅包含2个体素编码器、2个中间编码器、1个主干网络、1个颈部网络和1个检测头。如果有机会，会继续补充更多模型。若发现内容有误，欢迎指出。 MMDetection3D的点云数据一般会经历如下步骤/模块：#mermaid-svg-q9Wy2NQvFHfuPWKs{font-family:"trebuchetms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-q9Wy2NQvFHfuPWKs.error-icon{fill:#552222;}#mermaid-svg-q9Wy2NQvFHfuPWKs.err
1.准备知识参考：带你玩转3D检测和分割（二）：核心组件分析之坐标系和Box-知乎1.1坐标系介绍 激光雷达坐标系通常定义如下左图所示，其中指向前方，指向左方，指向上方。 相机坐标系通常定义如上右图所示，其中指向右方，指向下方，指向前方。1.23D边界框的定义 一般来说，对于自动驾驶目标检测任务而言，一个3D边界框可以由7个参数决定：位置、尺寸以及朝向角/偏航角/旋转角。 一般将与物体朝向平行的棱的长度记为边界框长度，竖直方向棱的长度记为边界框高度，余下一组棱的长度记为边界框宽度，如下左图所示。 将边界框绕高度轴（对于激光雷达坐标系，高度
目录问题AP的解释可能的Bug问题验证的时候评价指标输出是酱紫的 AveragePrecision (AP)@[IoU=0.50:0.95|area= all|maxDets=100]=0.177 AveragePrecision (AP)@[IoU=0.50 |area= all|maxDets=1000]=0.608 AveragePrecision (AP)@[IoU=0.75 |area= all|maxDets=1000]=0.057 AveragePrecision (AP)@[IoU=0.50:0.95|area=small|maxDets=1000]=0.293 Ave
大前提：Ubuntu20.04LTS本人呕心沥血从无到有的摸索，自己边尝试边整理的，其实耐心多看官方文档确实能找到很多东西（下面有官方文档的链接这里就不重复粘贴了），也为了方便我自己copy语句嘻嘻~为什么不是用Windows，作为一个小白我一开始真的想用windows，因为我懒得配双系统，但是没办法，是真的lj，安装又难，训练有诸多限制，就sosad知道吧。安装就看别的博主吧跟着别的博主soeasy嘿嘿~一、准备好自己的coco数据集labelme标注的数据集生成json文件，使用labeleme2coco.py分别生成train，test，val的json文件。二、修改配置文件2.1./m
本内容分为两部分1.waymo数据集转KITTI格式2.FCOS3D训练KITTI格式的waymo数据集1 waymo数据集转kitti格式1.1waymo数据集简介 1.1.1waymo数据集下载waymo数据集v1.2.0可以从这里下载。其中，train（32个压缩包），test（8个压缩包），val（8个压缩包）。这里的文件都是压缩包，每个都有20个G左右。如果不想下载压缩包，可以下载解压好individual的segments。 waymo数据集的解析代码在这里，可以按照demo进行解析与可视化。GitHub-waymo-research/waymo-open-dataset:Waym
该文主要介绍完整的MMDetection包含的配置文件中的模型文件--model.py以下代码详细逐行解读了模型文件包含的代码含义及使用一、特征提取网络主干 采用如上图所示的SwinTransformer作为特征提取网络主干，并进行以下配置。 若想选取其他主干模型，则更改“type=‘新模型名字’”，且需要根据你选择的新模型对应定义新的参数，例如以下SwinTransformer作为主干的示例，以及对应参数的含义backbone=dict(type='SwinTransformer',#主干网络(特征提取网络)采用SwinTransformer，以下为关于SwinTransformer网络参数
目录一.环境二.验证和测试时OOM(CUDAoutofmemory)2.1问题描述2.2初步分析2.3初步解决2.3.1gpu->cpu（OK但巨慢）2.3.2no-validate（不起作用，离线测试时依旧OOM）2.3.3rescale（OK但mAP=0）三.验证和测试时mAP全为03.1原因3.2RLE编码3.3实现效果3.4存在问题3.5修改细节一.环境OS:Ubuntu18.04CUDA:11.0mmcv-full:1.7.0mmdet:2.25.1GPU:1080Ti*4二.验证和测试时OOM(CUDAoutofmemory)2.1问题描述 在使用MMDetectio
官网：mmdetection3d/README_zh-CN.mdatmaster·open-mmlab/mmdetection3d·GitHub安装过程参照：win10mmdetection3d训练KITTI_树和猫的博客-CSDN博客_pointnet训练kitti官网安装过程前言3D目标检测框架综述-知乎中描述了当前3D目标检测的数据和模型状况，为了能将数据和评价标准等统一，介绍了4个比较统一的检测算法框架。OpenPCDet社区活跃，代码轻量化且可读性强(有些顶刊论文是基于这个框架开发的)基于Pytorch框架mmdetection3d社区活跃，有官方文档，便于上手；代码封装性好，cod
