MMdetection3D学习系列（二）——KITTI数据集训练测试及可视化_mmdet3d检测结果可视化

安装完环境以后，就可以进行测试了，这里我使用的是KITTI数据集进行测试。关于KITTI数据集，网上有很多介绍了，这里简单说一下在mmdet3d中它需要的文件层级样式吧。主要是针对RGB和点云数据进行检测。

一般来说采用其中一侧的彩色摄像头的数据作为RGB数据输入即可。
但是这个数据集比较大，也需要挂梯子下载，所以我这边弄了一个500的小数据集，也已经按照mmdet3d的格式整理好了，后续我会将它发上来。
KITTI小数据集百度网盘链接
提取码：2pel
不过在mmdet3d中，还需要对数据进行进一步处理，将它处理为更易读取的pkl文件，这里mmdet3d也提供了处理工具

python tools/create_data.py kitti --root-path ./data/kitti --out-dir ./data/kitti --extra-tag kitti
1

训练的话其实和mmdet2d类似，也是通过配置config文件就可以了，我是基于‘configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py’进行修改的。即新建一个py文件，命名为myconfig.py，里面编写如下：

_base_ =[configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py]

data = dict(
	samples_per_gpu=4,
	workers_per_gpu=1,
	persistent_workers=True,
)
optimizer = dict(type='Adamw', lr=0.001, betas=(0.95，0.99),weight_decay=0.01)
lr_config = None
momentum_config = None
runner = dict(max_epochs=5)
checkpoint_config = dict(interval=5)
evaluation = dict(interval=5)
log_config = dict(interval=5)

load_from = 'checkpoints/hy_pointpillars_secfon_6x8_160e_kitti-3d-3class_20220301_150306-37dc2420.pth'

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

如果基于预训练模型进行训练，记得要下载对应的checkpoints文件（load_from部分）
其实这边也可以直接像我之前弄的mmdet2d或者mmcls教程里那样，直接修改对应的config下对应的模型文件参数（即类似我所写代码的第一行的文件）。然后直接运行，会在work-dir下面生成本次训练的完整版的config文件，想修改的话直接ctrl+c终止然后修改，之后再次运行的话，就用这个config文件即可。切记不要直接在原config文件下进行修改，不然以后再次用到的时候容易出问题。另外，如果使用自己的数据集，我建议是直接将其整理成kitti或者其他常用的数据集格式，这样就免得去修改datasets部分的设置了，不然还挺麻烦感觉。

训练：

比较简单，直接在terminal里面输入这个即可，workdir什么的想改可以加进去，反正除了config其他非必要

python ./tools/train.py myconfig.py
1

测试：

python ./tools/test.py myconfig.py ./work_dirs/myconfig/latest.pth --show --show-dir
1

这时候是对training下的val部分进行测试及可视化，即对training_val的可视化
也可以使用mmdet3d自带的可视化工具来实现：
可视化工具：

 python ./tools/misc/browse_dataset.py myconfig.py --task det --output-dir tmp --online
1

如果使用mmdet3d的可视化工具，则是对training下的train部分，即training_train部分的可视化，因此需要将自己的config文件里的training部分改为和val一样的

_base_ =[configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py]

data = dict(
	samples_per_gpu=4,
	workers_per_gpu=1,
	persistent_workers=True,
	##################################################################################
	# 添加该行
	train=dict(dataset=dict(ann file='data/kitti/kitti_infos_val.pkl')，)
	##################################################################################
)
optimizer = dict(type='Adamw', lr=0.001, betas=(0.95，0.99),weight_decay=0.01)
lr_config = None
momentum_config = None
runner = dict(max_epochs=5)
checkpoint_config = dict(interval=5)
evaluation = dict(interval=5)
log_config = dict(interval=5)

load_from = 'checkpoints/hy_pointpillars_secfon_6x8_160e_kitti-3d-3class_20220301_150306-37dc2420.pth'

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

具体结果的话，忘记拍照了…将就着看吧，如果有不懂的地方可以直接评论问，这样大家也都能看见。也欢迎大佬批评指正！