当前位置：首页 > web >正文

Pointpillars（三）工程实践

web 2025/7/2 6:09:11

一、点云标注

1、力推-CVAT

这个github网址统计了标注工具。

https://github.com/HumanSignal/awesome-data-labeling

按照下面这个网址的推荐：我尝试了两种标注工具。实测心得如下：

https://zhuanlan.zhihu.com/p/694524430

labelCloud标注时，对于点云放大缩小不敏感，特别慢，而且调整框的大小，需要手动修改右边的数字，不够精确。而且输出多次标注文件为空。
cvat网页版的，非常方便。用github登录注册一下就可以了。在线管理方便。唯一限制就是上传文件必须是zip格式的，并且必须不超过4个G。

3D点云目标检测数据集标注工具保姆级教程——CVAT （附json转kitti代码）_3d点云标注工具-CSDN博客 这篇文章讲标注，讲的很好。也包含了，如何将json文件，转为kitti格式的txt标注文件。

cvat官网Leading Image & Video Data Annotation Platform | CVAT一看就是正经大工具。

也有官网手册Documentation | CVAT

这个网址对cvat做了简介：CVAT——计算机视觉标注工具-CSDN博客

2、建议尝试-SUSTechPOINTS

SUSTechPOINTS三维点云标注工具使用-CSDN博客

这篇文章也包含了将label转成OpenPCDet的代码。SUSTech代表的应该是南方科技大学。

二、训练自己的模型

【OpenPCDet】自定义数据集（kitti格式）训练PointPillars并评估&可视化，全过程debug_pointpillars训练自己的数据-CSDN博客

这篇文章包含了，点云格式转换，标注格式转换，标注工具，训练方法等内容。

提及了常见错误信息和debug内容。

推荐了一个远程工具：nomachine。

三、工程实施

GPU租赁平台：

AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL

橘皮优 | 全球C2C GPU算力租用平台

智星云 AI Galaxy | GPU云服务器 GPU服务器租用远程GPU租用深度学习服务器 | 免费GPU 便宜GPU

工程（三）——多激光雷达标定、融合、聚类

1、把当前跑通的conda环境复制出来。

conda activate pcdet
conda env export > environment.yml

# 将这个yml文件拷贝到新的Anaconda环境中。然后基于这个文件，创建新的conda环境。

conda env create -f environment.yml
conda activate pcdet
conda list
conda env list

或者手动复制~/anaconda3/envs/myenv（Linux/Mac）

2、如何训练自己的训练集

3D目标检测（4）：OpenPCDet训练篇--自定义数据集(二十五)实践出真知——OpenPCDet 制作pointpillars自定义数据集 - 梦里寻梦的文章 - 知乎

上面这个链接也提及了SUSTechPOINTS工具。

根据自己需求，调整点云范围，需要注意的是x和y轴范围与voxel_size的比值需要是16的倍数，如（69.12+69.12）/0.16 /16= 54

里面提及400张标注还是不太够。

评论区的内容值得学习：数据泛化、标注前转车身坐标系。

3D目标检测（4）：OpenPCDet训练篇--自定义数据集https://zhuanlan.zhihu.com/p/407302009这个知乎作者程法说也是跑通的人。注意他的评论区。

同时讲解了对于NX设备的环境部署问题。

自动驾驶系统进阶与项目实战（十）基于PointPillars的点云三维目标检测和TensorRT实战（1）_tensorrt pointpillars-CSDN博客

3、只有激光雷达坐标系如何变换。

kitti这个标注，它是以相机2坐标系为基准的。

4、如何训练。

5、如何连续检测。

6、检测结果如何通过ros2的topic形式发送出去。

7、显示问题。如何把检测框体，通过汽车模型的方式替换掉。

8、如何筛选可行驶区域。

9、如何渲染整个环境。

10、地面问题处理。

四、部署问题

ONNX和TensorRT，是模型部署和推理加速的应用。是模型训练好之后部署的问题。

点击链接查看和 Kimi 的对话

User: 我用OpenPCDet训练好pointpillars模型之后，onnx负责做什么？

Kimi: 在使用 OpenPCDet 训练好 PointPillars 模型后，ONNX（Open Neural Network Exchange）通常用于模型的转换和优化，以便将其部署到不同的硬件平台或推理框架中。以下是 ONNX 在此场景中的主要作用：

### 1. **模型转换**
- **格式统一**：OpenPCDet 训练的模型通常是以 PyTorch 格式保存的，而 ONNX 是一种开放的模型格式，可以将 PyTorch 模型转换为 ONNX 格式。这使得模型能够被不同的推理框架（如 TensorRT、ONNX Runtime、OpenVINO 等）加载和使用。
- **跨框架兼容性**：ONNX 提供了一种标准化的方式，使得模型可以无缝地从 PyTorch 转换到其他深度学习框架或推理引擎。例如，你可以将 PyTorch 训练好的 PointPillars 模型转换为 ONNX 格式，然后在 TensorRT 中进行优化，以实现更高的推理速度。

### 2. **模型优化**
- **推理加速**：ONNX Runtime 是一个高性能的推理引擎，可以直接加载 ONNX 格式的模型并进行推理。它对模型进行了优化，包括算子融合、内存优化等，能够提高模型的推理速度，同时减少资源消耗。
- **硬件适配**：ONNX 格式的模型可以被不同的硬件加速器（如 GPU、FPGA、ASIC 等）加载和优化。例如，通过将模型转换为 ONNX 格式，你可以利用 NVIDIA 的 TensorRT 或 OpenVINO 等工具，针对特定硬件进行进一步的优化，以实现最佳的推理性能。

### 3. **部署支持**
- **跨平台部署**：ONNX 格式的模型可以被多种操作系统和硬件平台支持，包括但不限于 Windows、Linux、macOS、移动设备等。这使得 PointPillars 模型可以更容易地部署到不同的应用场景中。
- **简化部署流程**：ONNX 提供了统一的接口和工具，使得模型的部署过程更加简单。例如，你可以使用 ONNX Runtime 提供的 API，将模型快速部署到服务器或边缘设备上。

### 4. **模型验证**
- **一致性检查**：在将 PyTorch 模型转换为 ONNX 格式后，可以通过 ONNX 的工具对模型进行验证，确保转换后的模型与原始模型在功能上保持一致。这有助于发现转换过程中可能出现的错误或不兼容的算子。
- **调试支持**：ONNX 提供了丰富的调试工具，可以帮助开发者检查模型在转换和推理过程中的行为，确保模型的正确性。

### 5. **模型共享**
- **模型共享与协作**：ONNX 格式的模型文件是开放的，可以方便地在团队成员之间共享，或者在不同的项目中复用。这有助于提高开发效率，促进团队协作。

总结
在 OpenPCDet 训练好 PointPillars 模型后，ONNX 的主要作用是将模型从 PyTorch 格式转换为一种通用的、跨框架的格式，以便进行进一步的优化、部署和共享。

通过 ONNX，你可以将模型部署到不同的硬件平台，利用各种推理引擎的优势，实现高效的推理性能。