OpenPCDet 训练自己的数据集详细教程！
OpenPCDet 训练自己的数据集详细教程！
OpenPCDet 是一个基于 PyTorch 的开源 3D 点云检测工具包，专门用于激光雷达数据的 3D 目标检测任务。它可以训练和测试多种 3D 检测模型，支持各种数据集格式和模型架构。通过 OpenPCDet，你可以轻松地在自己的数据集上训练 3D 目标检测模型。
本教程将详细介绍如何使用 OpenPCDet 训练自己的数据集，包括数据集准备、配置文件修改、训练过程、模型评估等步骤。希望通过这篇教程，你能够顺利地在自定义的数据集上使用 OpenPCDet 进行训练。
目录
- OpenPCDet 简介
- 环境准备与安装
- 数据集准备
- 修改配置文件
- 训练模型
- 评估与测试
- 总结
1. OpenPCDet 简介
OpenPCDet 是一个专为 3D 点云检测设计的工具包，支持多种先进的 3D 检测模型，如 PointPillar、VoxelNet、SECOND 等。它可以处理来自激光雷达（LiDAR）设备的数据，帮助你进行物体检测任务。
- 支持的数据集：Kitti、Waymo、nuscenes 等。
- 模型架构：PointPillars、SECOND、VoxelNet、PV-RCNN 等。
- 功能：训练、评估、推理、数据增强等。
OpenPCDet 提供了丰富的功能和可定制化选项，能够帮助用户实现高效且精确的 3D 目标检测。
2. 环境准备与安装
2.1 安装依赖
首先，你需要安装 OpenPCDet 的依赖项。请确保你的系统中安装了 Python 3.7 或更高版本。以下是基本的环境配置步骤：
- 安装 PyTorch（根据你系统的 CUDA 版本选择合适的安装命令）：
# 安装 PyTorch
pip install torch==1.8.0 torchvision==0.9.0- 安装 OpenPCDet：
# 克隆 OpenPCDet 仓库
git clone https://github.com/openpcdet/openpcdet.git
cd openpcdet
# 安装 OpenPCDet 依赖
pip install -r requirements.txt
# 编译 CUDA 操作
python setup.py develop注意：如果你的系统支持 GPU 加速，确保安装了正确版本的 CUDA。
3. 数据集准备
为了训练你自己的数据集，首先需要确保你的数据集格式符合 OpenPCDet 的要求。OpenPCDet 支持从其他数据集中读取点云数据，并根据其格式进行训练。
3.1 数据集格式
OpenPCDet 默认支持以下数据集格式：
- KITTI 数据集：这是最常见的 3D 点云数据集格式，包含了 LiDAR 点云和相应的标注信息（包括物体类别、边界框等）。
- nuScenes 数据集：包含了更复杂的场景，适用于更大规模的检测任务。
- Waymo 数据集：由 Waymo 提供的大规模自动驾驶数据集，包含了多种传感器数据。
假设我们使用的是自定义数据集，格式应当类似于 KITTI 数据集格式，包含以下内容：
- 点云数据：通常为
.bin格式，存储在一个文件夹中，每个点云文件包含了多个 3D 点（x, y, z, intensity 等）。 - 标注文件：通常为
.txt格式，包含每个点云的目标物体标注信息（类别、位置、尺寸等）。
以下是一个标注文件的示例（label_000001.txt）：
Car 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0这表示一个 Car 类别的物体，标注了物体的尺寸、位置、旋转等信息。
3.2 数据集组织
自定义数据集的组织通常如下：
/dataset
/train
/velodyne
000001.bin
000002.bin
...
/labels
label_000001.txt
label_000002.txt
...
/val
/velodyne
000001.bin
000002.bin
...
/labels
label_000001.txt
label_000002.txt
...在 train 文件夹中存放训练集的数据，val 文件夹中存放验证集的数据。
3.3 自定义数据集类
OpenPCDet 提供了一个灵活的框架来支持自定义数据集。如果你的数据集与默认格式略有不同，可以通过继承和修改 Dataset 类来实现。
你需要在 tools 目录下创建一个自定义数据集的配置文件，并且实现读取点云和标注信息的逻辑。
4. 修改配置文件
OpenPCDet 的训练和测试过程由一系列配置文件控制，这些配置文件定义了数据集路径、模型超参数、训练参数等。我们需要修改配置文件，确保它适应你的数据集。
4.1 配置文件目录结构
配置文件通常位于 tools/cfgs 目录下，包含多个模型的配置文件。你可以基于现有的配置文件进行修改，或者创建一个新的配置文件。
例如，如果你使用的是 PointPillars 模型，可以在 cfgs 目录下找到 pointpillars_kitti.yaml 配置文件，并对其进行修改。主要需要修改以下几个部分：
- 数据集路径：修改
TRAIN_DATASET和VALIDATION_DATASET的路径，指向你的训练集和验证集。 - 类别定义：确保类别与数据集中的标注一致。
- 模型配置：如网络结构、学习率、批次大小等。
4.2 修改配置文件示例
# pointpillars_custom.yaml
# 数据集路径
TRAIN_DATASET:
NAME: 'KittiDataset' # 可以根据你的数据集修改
PATH: '/path/to/your/custom/dataset/train'
VALIDATION_DATASET:
NAME: 'KittiDataset' # 同上
PATH: '/path/to/your/custom/dataset/val'
# 类别设置
CLASS_NAMES: ['Car', 'Pedestrian', 'Cyclist']
# 模型配置
MODEL:
NAME: 'PointPillars' # 选择模型类型
BACKBONE: 'PillarFeatureNet' # 网络骨干配置
# 更多的网络层配置...
# 训练设置
TRAIN:
BATCH_SIZE: 16
LR: 0.001
MAX_EPOCHS: 50
...4.3 配置文件详细说明
- TRAIN_DATASET：设置训练集路径和数据集类型（如 KittiDataset）。你可以根据需要修改数据集类型。
- CLASS_NAMES：列出数据集中的目标类别，如车、行人、骑行者等。
- MODEL：选择模型架构（如 PointPillars），并配置网络结构细节。
- TRAIN：设置训练过程中的超参数，如批量大小、学习率、最大训练周期等。
5. 训练模型
配置文件修改完成后，接下来可以开始训练模型。训练过程通过命令行运行，OpenPCDet 提供了 tools/train.py 脚本来启动训练。
5.1 启动训练
# 使用配置文件启动训练
python tools/train.py --cfg_file cfgs/pointpillars_custom.yaml5.2 训练过程
在训练过程中，OpenPCDet 会输出日志信息，包括每个 epoch 的损失值、学习率、精度等。你可以根据这些信息判断训练的进展，并进行必要的调整。
5.3 模型保存
训练完成后，模型会保存在指定的路径下。你可以通过该模型进行推理或评估。
6. 评估与测试
训练完成后，我们可以使用 OpenPCDet 的评估脚本对模型进行测试和性能评估。评估通常包括计算检测精度、召回率等指标。
6.1 评估模型
# 使用训练后的模型进行评估
python tools/test.py --cfg_file cfgs/pointpillars_custom.yaml --ckpt /path/to/your/model.ckpt6.2 结果可视化
OpenPCDet 提供了可视化功能，可以通过可视化工具查看模型的检测结果。你可以通过以下命令生成结果的可视化图像。
# 可视化检测结果
python tools/visualize.py --cfg_file cfgs/pointpillars_custom
.yaml --ckpt /path/to/your/model.ckpt7. 总结
通过本教程，你已经学会了如何使用 OpenPCDet 训练自己的数据集。我们介绍了从数据集准备、配置文件修改、训练过程到模型评估的全过程。通过这些步骤，你可以在自己的数据集上高效地训练 3D 点云目标检测模型。
如果你有自定义的数据集或者需要对模型进行调整，可以通过修改配置文件和数据集类来满足需求。希望本教程能帮助你更好地理解 OpenPCDet，并应用于自己的项目中。
评论已关闭