OpenPCDet v0.5版本的安装与测试

pointpillar相关的其它文章链接如下：

1. 【论文阅读】CVPR 2019| PointPillars: 基于点云的快速编码目标检测框架(Fast Encoders for Object Detection from Point Clouds)
2. OpenPCDet v0.5版本的安装与测试
3. openpcdet之pointpillar代码阅读——第一篇：数据增强与数据处理
4. openpcdet之pointpillar代码阅读——第二篇：网络结构
5. openpcdet之pointpillar代码阅读——第三篇：损失函数的计算

OpenPCDet更新了最新版本v0.5，同时也支持open3d。因为之前也没怎么用过mayavi，本来还想基于openpcdet 0.3版本，自己写一个open3d的显示，看到官方更新了一个最新版，果断安装最新版使用了，效果还不错，于是写一个相关的使用教程吧。

1. 安装OpenPCDet

1.1 安装PyTorch

之前openpcdet的v0.3版本最高只支持pytorch1.5版本，现在最高支持到了pytorch1.10版本了！我这里安装的pytorch1.10。v0.5支持的pytorch为：

PyTorch 1.1 or higher (tested on PyTorch 1.1, 1,3, 1,5~1.10)

我这里安装的是1.10版本，安装方式如下：

conda install pytorch==1.9.1 torchvision==0.10.1 torchaudio==0.9.1 cudatoolkit=10.2 -c pytorch

1.2 安装spconv

openpcdet对spconv的支持也更加的友好了，最高支持到spconv2.x版本，支持版本如下：

spconv v1.0 (commit 8da6f96) or spconv v1.2 or spconv v2.x

这几个spconv版本都可以安装，但是要提醒注意的是，spconv和pytorch的版本要求对应，如果安装错误的spconv的版本，则使用openpvdet会报错，别问我怎么知道的。。。这里我使用的是spconv 1.2.1版本。

对于openpcdet v0.5版本，注意pytorch与spconv的版本问题。

（1）spconv1.2

在这介绍一下spconv v1.2.1版本的安装，安装步骤如下：

#安装libboost
sudo apt-get install libboost-all-dev

# 下载spconv，并切换分支
git clone https://github.com/traveller59/spconv.git
git checkout  -b v1.2 origin/v1.2.1 

#下载pybind11，并把pybind11放入spconv项目中的third_party对应的目录中
git clone https://github.com/pybind/pybind11

cd spconv
python3 setup.py bdist_wheel
#如setup.py这一步报错，可能需要你删掉build/ dist/ spconv.egg-info/，这几个文件夹之后再编译

cd ./dist
pip install spconv-1.2.1-cp36-cp36m-linux_x86_64.whl

测试是否安装成功

python3
import spconv

（2）spconv 2.x

pip和源码的方式都可以安装，安装方式如下：

• pip安装

CPU (Linux Only)	pip install spconv pypi
CUDA 10.2	pip install spconv-cu102
CUDA 11.1	pip install spconv-cu111
CUDA 11.3 (Linux Only)	pip install spconv-cu113
CUDA 11.4	pip install spconv-cu114

• 源码安装

pip install spconv-cu102 -i https://pypi.tuna.tsinghua.edu.cn/simple

#cumm安装
git clone https://github.com/FindDefinition/cumm
cd ./cumm
pip install -e .

#spconv安装
git clone https://github.com/traveller59/spconv
cd ./spconv
pip install -e .

1.3 安装openPCDet v0.5

下面用到了加速！

git clone https://github.com/open-mmlab/OpenPCDet.git
cd OpenPCDet
pip install -r requirements.txt
python setup.py develop

• 测试是否安装成功

python3 
import pcdet

2. 显示

可以在自定义点云数据上测试预训练的模型并可视化预测结果。

2.1 安装可视化工具open3d

open3d和mayavi都可以使用，个人比较习惯使用open3d，使用国内源(https://pypi.tuna.tsinghua.edu.cn/simple)安装如下：

pip3 install open3d -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 测试训练出来的模型效果

测试训练的命令如下：

python3 demo.py --cfg_file cfgs / kitti_models / pv_rcnn.yaml \
    --ckpt pv_rcnn_8369.pth \
    --data_path $ {POINT_CLOUD_DATA}

这${POINT_CLOUD_DATA}可能是以下格式：

• 使用单个numpy文件（如）转换的自定义数据my_data.npy。
• 带有目录的转换后的自定义数据可用于测试多个点云数据。
• 内的原始KITTI.bin数据data/kitti，例如data/kitti/training/velodyne/000008.bin。

• bin数据测试

python3 demo.py --cfg_file cfgs / kitti_models / pv_rcnn.yaml \
    --ckpt pv_rcnn_8369.pth \
    ../data/kitti/testing/velodyne/000008.bin 

• npy数据测试

python3 demo.py \
	--cfg_file cfgs/kitti_models/pointpillar.yaml \
	--ext .npy\
	--ckpt ../pth/my.pth \
	--data_path ../train_data/npy/498.npy 

我这里测试的npy格式和pointpillars代码，官方训练的代码只有3类，我个人训练的5类，所以显示的时候需要增加一些颜色配置，不然会报错，效果如下：

---

参考官方github链接：https://github.com/open-mmlab/OpenPCDet