无论是mmdetection、mmtracking、mmdetection3D等框架，在\tools\analysis_tools中均有一个名为browse_dataset.py的文件。

以mmdetection3d的train.py脚本为例：importargparsedefparse_args():#1.创建命令行解释器，description可写可不写，在出错时会打印parser=

１．结果可视化：安装的docker版本的mmdetection3d在可视化的时候存在一些问题,open3d总是难以打开窗口，但源码安装的版本是可以实现可视化的。所以采用源码安装方法。

该博文介绍了从ubuntu纯净系统进行mmdetection3d的环境配置过程！mmdetection3d踩坑巨多！

CenterPoint在mmdetection3d中的实现模型以如下配置文件为例：configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic

教程1:学习配置文件我们在配置文件中支持了继承和模块化来方便进行各种实验。如果需要检查配置文件，可以通过运行pythontools/misc/print_config.py/PATH/TO/CONFIG来查看完整的配置。你也可以传入--optionsxxx.yyy=zzz参数来查看更新后的配置。配置文件结构在config/_base_文件夹下有4个基本组件类型，分别是：数据集(dataset)，模

最近在看mmdetection框架的源代码，许多的文章的源码都是基于这个框架写的。很有借鉴意义，所以我便在仔细看看，记录一下自己看的时候不太懂的问题及一些解决的办法。安装这个没啥好说的，就按get_started文档来操作就好，只是在跑demo.py的时候我遇到了一个问题：importCV2与ros冲突了，解决办法网络上很多，直接在demo.py加一句话移除到python2.6即可。数据集准备对于

UVTR论文链接：https://arxiv.org/abs/2206.00630UVTR论文笔记：UnifyingVoxel-basedRepresentationwithTransformerfor3DObjectDetection（UVTR）论文笔记UVTR代码链接：https://github.com/dvlab-research/UVTR看本文前建议阅读MMDetection简单教程之配

mmdetection3d说明文档记录：https://mmdetection3d.readthedocs.io/en/latest/getting_started.html一、config文件1、config

文章目录一、环境搭建二、测试demo三、数据预处理四、训练参考一、环境搭建从零配置深度学习环境参考：ubuntu18.04+Annaconda+CUDA10.2+CuDNN7.6.5使用anaconda创建虚拟环境condacreate-nopen-mmlab3dpython=3.8condaactivateopen-mmlab3d安装torch先从官网上下载轮子，然后直接安装pipinstall

坐标中间的转换1齐次坐标概念概念：齐次坐标就是将一个原本是n维的向量用一个n+1维向量来表示，是指一个用于投影几何里的坐标系统。引入齐次坐标的目的就是合并矩阵运算中的乘法和加法，即它提供了用矩阵运算把二维、三维甚至高维空间中的一个点集从一个坐标系变换到另一个坐标系的有效方法。2.把雷达坐标系看成世界坐标系，则世界坐标系中任意一点W，其世界坐标为：其世界齐次坐标为：又假设雷达坐标系到相机坐标系的转换

文中参考代码来源于mmdetection3d框架中的second模型。mmdetection3d安装和调试验证可参考本博客之前的专栏，里面有详细介绍。1second模型总体过程2主要模块解析2.

经过了2天的折腾，发现更换阿里源是最简单的方式1.换源在C:\Users******.condarc修改为阿里源show_channel_urls:truedefault_channels:-http://mirrors.aliyun.com/anaconda/pkgs/main-http://mirrors.aliyun.com/anaconda/pkgs/r-http://mirrors.al

安装了mmdetection3d，还有PCL。其中PCL是参考这个安装的。

因为3d检测训练时间太久，所以想要在mmdet3d上开多机，发现加载完标注文件pkl/json之后，卡住了，找到如下报错其中有个warning：usingbest-guessGPU,大概率是rank不对，找到相关代码：definit_dist(launcher,backend='nccl',**kwargs):ifmp.get_start_method(allow_none=True)isNone

文章目录1.环境的安装与配置1.1pytorch1.2mmdetection3d环境2.win10下训练KITTI数据集2.1数据集存放位置2.2数据集预处理2.3训练KITTI数据集1.环境的安装与配置1.1pytorch（本机环境：win10+anaconda35.3+python3.7+CUDA10.2+cudnn10.2+pytorch1.9.1）下载并安装anaconda（安装了anac

文章目录配置文件：detr3d_res101_gridmask_cbgs.pymodeldict设置模型结构MMDetection3D中dict初始化模型Backbone\NeckHead:Detr3DHeadDetr3DTransformerDecoder

mmdetection3d安装报错error:command‘/usr/local/cuda-11.5/bin/nvcc’failedwithexitstatus1安装步骤：MMDetection3dGithubREADME

3D目标检测NuScenes数据集本页提供了有关在MMDetection3D中使用nuScenes数据集的具体教程。准备之前您可以在这里下载nuScenes3D检测数据并解压缩所有zip文件。

前言主要是介绍库的使用，做笔记区首先搜索的时候有个问题一直在我脑子里hhh就是MMlab其实还有一个叫mmdetection3d的库，然后搜的时候发现hhh有网友和我一样的疑惑：OpenPCDet和mmdetection3d

在OpenMMLab家族中的绝大部分开源项目使用注册器去管理数据集和模型的模块，例如MMDetection,MMDetection3D,MMClassification,MMEditing等。

教程4:自定义模型我们通常把模型的各个组成成分分成6种类型：编码器（encoder）：包括voxellayer、voxelencoder和middleencoder等进入backbone前所使用的基于voxel的方法，如HardVFE和PointPillarsScatter。骨干网络（backbone）：通常采用FCN网络来提取特征图，如ResNet和SECOND。颈部网络（neck）：位于bac

参考官方的框架：https://github.com/open-mmlab/mmdetection3d/blob/master/docs/getting_started.md运行如下命令生成模型.pkl

nuScenes数据集在mmdetection3d中的使用（一）nuScenes数据集下载博客：nuScenes数据集使用mmdetection3d官方对数据集下载和使用的指南写在前面：1.完整的nuScenes

我们在前文玩转MMDetection3D（一）中介绍了整个框架的大致流程，从这篇文章开始我们将会带来MMDetection3D中各种核心组件的解析，而在3D检测中最重要的核心组件之一就是坐标系和Box。

文章目录前言详细过程1.创建虚拟环境2.安装PyTorch3.安装MMCV4.安装MMDetection5.安装MMSegmentation6.安装依赖包和MMDetection3D作者安装过程出现的bug

Mmdetection3d集成了大量3D深度学习算法，其中很大一部分可以在室内三维数据集S3DIS上运行。本节重点介绍S3DIS数据集及其在mmdetection3d中的预处理程序。

MMDetection3D是一个基于PyTorch的目标检测开源工具箱,下一代面向3D检测的平台.它是OpenMMlab项目的一部分，这个项目由香港中文大学多媒体实验室和商汤科技联合发起，涵盖了3D目标检测

0.前言由于3D本身数据的复杂性和MMDetection3D支持任务（点云3D检测、单目3D检测、多模态3D检测和点云3D语义分割等）和场景（室内和室外）的多样性，整个框架结构相对复杂，新人用户的上手门槛相对较高

MMdetection3d环境搭建和使用避坑记录官方github:https://github.com/open-mmlab/mmdetection3d官方文档：https://mmdetection3d.readthedocs.io

安装mmdetection3d`1.创建虚拟环境condacreate-nenv_namepython=3.7-ycondaactivateenv_name2.安装对应版本的pytorchpytorch

最近需要复现一篇基于mmdetection实现的实例分割模型《PolarMask》，之前博主在五月份的时候看的一篇论文《CenterPoint》也是基于mmdetection3d的。

安装mm3d无非两种办法conda->本地安装docker->镜像安装我今天是两种都试了，最终通过conda安装成功。记录一下配置信息。cudaruntimeapi:10.2cudadriverapi:10.2torch:1.8.1+cu102+py38torchvision:0.9.1+cu102+py38mmdet3d:v1.0.0rc5注意！最好不要直接pip安装torch。网络经常出问题。

前言mmdetection3d没有提供radar数据的读取，仅实现了对于LiDAR和Camera的数据读取、处理，因此需要根据LiDAR的数据处理流程进行改进，创建一套适合于radar数据处理的流程，本次处理流程部分参考了

小伙伴们好呀，3D检测和分割系列文章继续更新啦，在第一篇文章中我们带领大家了解了整个框架的大致流程，第二篇文章我们给大家解析了MMDetection3D中的坐标系和核心组件Box，今天我们将带大家看看3D

我们在tools/文件夹路径下提供了许多有用的工具。日志分析给定一个训练的日志文件，您可以绘制出loss/mAP曲线。首先需要运行pipinstallseaborn安装依赖包。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zIogAzf5-1636446617786)(…/resources/loss_curve.png)]pythontools/analysis_

原模型检测时候只有点云的检测框，本文主要是将demo文件中的pcd_demo.py中的代码，将点云检测出的3d框投影到图像上面显示。#Copyright(c)OpenMMLab.Allrightsreserved.fromargparseimportArgumentParser#importsys#sys.path#sys.path.append('D:\Aware_model\mmdetecti

因为实验室贫穷，只有一台2080ti的机子，所以一开始打算用云服务器，后面发现云服务器实在是折磨人，所以又回到实验室的2080ti机子。本文分为两部分：云服务器(失败)和实验室机子(docker部署跑通)。1.云服务器（失败可以直接跳过）云服务器好处是可以选择各种版本，尝试过后发现在python版本上必须是python3.7，python3.6和3.8都会报不同的错误。实际上最麻烦的是Sparse

1.准备数据集https://github.com/open-mmlab/mmdetection3d/blob/bb204696c19ded90121caea82e34fa3ff0bd131f/docs

1mmdetection3d环境安装mmdetection3d环境详细安装和调试请参考：【mmdetection3d】mmdetection3d安装详细步骤_Coding的叶子的博客-CSDN博客。

1mmdetedtion3d环境搭建2demo测试1.1环境搭建1.1.1创建虚拟环境并激活condacreate-nopen-mmlabpython=3.7-ycondaactivateopen-mmlab1.1.2安装Pytoch和torchvisioncondainstallpytorchtorchvision-cpytorch注意：确保您的编译CUDA版本和运行时CUDA版本匹配。您可以在

文章目录官方文档Train训练集路径设置单GPU训练多GPU训练Test官方文档官网：https://mmdetection3d.readthedocs.io/zh_CN/latest/1_exist_data_model.htmlTrain训练集路径设置需要指定自己存放数据的目录，以kitti数据集为例，需要修改kitti-3d-3class.py,hv_pointpillars_secfpnn

当mmdetection3d环境安装成功后，可看上一篇如何安装mmdetection3dmmdetection3d官网：LogAnalysis—MMDetection3D1.0.0rc1documentation1

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

SUNRGB-D是普林斯顿大学发布的一种关于室内场景理解的数据集，共包含了10335个样本，其中训练样本和验证测试样本数量分别为5285和5050。每个样本包含了彩色图像（RGB）和深度（D）信息，并且分别进行了二维和三维标注。数据集的具体细节将在后续进行补充，这里主要介绍如何在mmdection3d中使用SUNRGB-D数据集。1SUNRGB-D数据集下载SUNRGB-D数据集下载地址为http

Mmdetection3d集成了大量3D深度学习算法，其中很大一部分可以在智能驾驶nuScenes数据集上运行。在算法应用nuScenes数据之前，mmdetection3d提供了相应的预处理程序。

自动驾驶感知算法实战专栏：https://blog.csdn.net/charmve/category_12097938.html目录1mmdetection3d环境搭建与测试1.1从docker开始搭建环境1.1.1开始从docker环境搭建1.1.2测试demo1.2.2安装pytorch和torchvision1.2.3安装mmcv1.2.4安装MMDetection1.2.5克隆编译mmd

CenterPoint工程复现注意：本文中使用版本：BEVerse工程下的mmdet3d(MMDet3dv0.17.3)版本，MMDetection3D中其他版本的使用大同小异。

写在前面：本人正在学习MMDetection3D的过程中，可能有理解错误，欢迎指正。

MMdetection3D安装步骤创建环境，并激活condacreate-nopen-mmlabpython=3.7-y#激活condaactivateopen-mmlab安装pytorchcondainstallpytorchtorchvisioncudatoolkit