Advertisement

OpenPCDet：一个用于基于LiDAR的3D物体检测的工具箱

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
OpenPCDet是一款开源软件工具箱，专注于利用激光雷达数据进行三维目标检测研究与应用开发。 OpenPCDet 是一个清晰且简单的开源项目，专注于基于LiDAR的3D物体检测，并提供 ， 和 的官方代码版本。 变更日志： [2020-11-27]：错误修复——如果您想使用我们提供的Waymo评估工具，请重新准备Waymo数据集（版本1.2）中的验证信息。请注意，您不需要重新准备训练数据和真实数据库。 [2020-11-10]：新增功能——最新的结果为 提供了支持。目前，在Waymo开放数据集中提供了SECOND、PartA2 和 PV-RCNN 的配置和结果，并且可以通过修改其数据集配置轻松支持更多模型。 [2020-08-10]：错误修复——已更新提供的NuScenes 模型，以修复加载错误。如果您需要使用预训练的NuScenes 模型，请重新下载它。 [2020-07-30] ：OpenPCDet v0.3.0 已发布，具有以下功能：现在支持 。目前，在Waymo开放数据集中提供了SECOND、PartA2 和 PV-RCNN 的配置和结果，并且可以通过修改其数据集配置轻松支持更多模型。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • OpenPCDet：一个用于基于LiDAR的3D物体检测的工具箱
    优质
    OpenPCDet是一款开源软件工具箱，专注于利用激光雷达数据进行三维目标检测研究与应用开发。 OpenPCDet 是一个清晰且简单的开源项目，专注于基于LiDAR的3D物体检测，并提供 ， 和 的官方代码版本。 变更日志： [2020-11-27]：错误修复——如果您想使用我们提供的Waymo评估工具，请重新准备Waymo数据集（版本1.2）中的验证信息。请注意，您不需要重新准备训练数据和真实数据库。 [2020-11-10]：新增功能——最新的结果为 提供了支持。目前，在Waymo开放数据集中提供了SECOND、PartA2 和 PV-RCNN 的配置和结果，并且可以通过修改其数据集配置轻松支持更多模型。 [2020-08-10]：错误修复——已更新提供的NuScenes 模型，以修复加载错误。如果您需要使用预训练的NuScenes 模型，请重新下载它。 [2020-07-30] ：OpenPCDet v0.3.0 已发布，具有以下功能：现在支持 。目前，在Waymo开放数据集中提供了SECOND、PartA2 和 PV-RCNN 的配置和结果，并且可以通过修改其数据集配置轻松支持更多模型。
     
  • 3DBinPacking：一个用于3D装箱的Python库
    优质
    3DBinPacking是一款专为解决三维空间中物品最优装载问题而设计的Python工具库。它提供了一系列高效算法，帮助用户轻松应对复杂的装箱挑战，在物流与仓储管理领域有着广泛的应用前景。 3D箱包装基于Go语言中的3D Bin Packing实现。该代码具有以下特性： 1. 对垃圾箱和物品进行排序：默认情况下所有箱子和物品从最小到最大排序，也可以选择按相反顺序排序。 2. 物品分配： - [distribute_items=True]：将物品放入可容纳它们的任意一个或多个盒子中。每个物品至少会放置在一个合适的盒子里。 - [distribute_items=False]：尝试把所有物品放进每一个垃圾箱，最后显示哪些适合和不适合放在各个箱子中的物品。 3. 小数位设置：[number_of_decimals=X] 定义输入输出数值的小数精度，默认值为3。 安装方法： ``` pip install py3dbp ``` 基本说明： - Bin（盒子）和Items（物品）的创建参数相同。
     
  • Frustum-ConvNet: PyTorch 中的 F-ConvNet 用于 3D 物体检测
    优质
    简介：Frustum-ConvNet 是基于 PyTorch 实现的 F-ConvNet 网络，专门针对 3D 物体检测任务优化。该模型利用视锥体数据提高物体识别精度和效率，在自动驾驶等领域有广泛应用前景。 Frustum ConvNet：Sliding Frustums 聚合局部点特征以进行 Amodal 3D 对象检测这个存储库是我们 IROS 2019 论文的内容。如果您发现这项工作对您的研究有用，请考虑引用。 @inproceedings { wang2019frustum, title = { Frustum ConvNet: Sliding Frustums to Aggregate Local Point-Wise Features for Amodal 3D Object Detection }, author = { Wang, Zhixin and Jia, Kui }, booktitle = { 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems }
     
  • 基于FPGA的物体检测
    优质
    本项目采用FPGA技术实现高效的物体检测算法硬件加速，旨在提高计算效率和实时性能，适用于智能监控、自动驾驶等应用场景。 本系统提供了两种实现目标跟踪的方法：一种是通过包盒子技术来框选目标；另一种方法则是将高空坠物的目标像素设定为红色以作警示。 在第一种方法中，首先需要计算出高空坠物目标的XY坐标，并确定这些坐标的最大值和最小值。然后利用包盒子技术，在这四个极值点之间画一个矩形，并再绘制一个小一点的矩形。将那些大于小矩形且小于大矩形区域的颜色设为红色，则可以实现对目标的有效框选。 第二种方法则是通过帧间差分计算，获得差分图像后进行判断：如果像素值超过预设阈值，则将其颜色设定为红色，从而覆盖并标示出高空坠物的目标位置。 本项目是在Vivado 2018.1上开发的，下载完成后可以直接运行。
     
  • 基于TensorFlow和Anaconda的物体检测（使用PyCharm）
    优质
    本项目利用TensorFlow框架与Anaconda环境，在PyCharm集成开发环境中进行高效配置，专注于实现先进的物体检测算法，促进机器学习模型的实际应用。 代码在 PyCharm 上成功运行。
     
  • 快速3D碰撞检测——GJK算法：用于凸面3D物体的MATLAB实现
    优质
    本简介介绍了一种基于GJK算法的快速3D碰撞检测方法，并展示了其在MATLAB中针对凸面三维物体的具体实现，为开发者和研究者提供了一个高效的解决方案。 GJK（Gilbert-Johnson-Keerthi）碰撞检测算法在 MATLAB 中的实现。GJK.m 函数获取形状顶点数据并返回两个形状是否穿透。该算法仅适用于凸形物体！MAIN_example.m 文件对两个多面体进行动画处理，并在两者相互碰撞时停止。
     
  • 3D Detection Kit：用于探索3D数据、进行3D物体检测、点云可视化和BEV地图生成等任务的工具包。基于Kitti...
    优质
    3D Detection Kit是一款专为研究者设计的多功能工具包，支持3D数据探索、物体检测及点云可视化，并能生成鸟瞰图（BEV）地图，基于Kitti数据集开发。 3D检测套件此仓库包含几个有用的脚本，这些脚本可用于开发3D检测算法。包括： - 在激光雷达点云上加载和可视化； - 生成鸟瞰图（bev地图）； - 在点云上显示3D边界框； - 使用calib参数在图像中投影3D边界框； - 在bev影像角度上显示bbox。 2019年2月27日更新：vis_3d现在可以使用mayavi库将具有3D边界的点云可视化。用法直接运行命令：`python3 show_pc.py`，您会看到点云的展示效果。在使用该脚本之前，请先安装open3d库： ``` sudo pip3 install open3d-python ``` 若需进一步了解信息或参与讨论，可以访问社区论坛。 此外，此套件还包括将点云转换为bev地图的功能。这应该通过创建一个具有特定宽度和高度的图像来实现，并且每个像素值应代表z坐标的高度；如果顶视图中没有对应的点，则该位置的z值应当设为0。这样可以生成用于进一步分析或可视化的bev图像。
     
  • MMSegmentation-Distiller：这是一个基于MMSegmentation的 knowledge distillation 工具箱
    优质
    MMSegmentation-Distiller是一款先进的知识蒸馏工具箱，建立在MMSegmentation框架之上，致力于提升模型性能与效率，适用于各类语义分割任务。 分段细分该项目基于mmsegmentation（v-0.11.0），所有用法与相同，包括培训、测试等。蒸馏器动物园的安装设置如下： 新建conda环境： ``` conda create -n distiller python=3.7 ``` 安装PyTorch 1.3+ 安装mmdetection-distiller ```shell git clone https://github.com/pppppM/mmsegmentation-distiller.git cd mmsegmentation-distiller pip install -r requirements/build.txt pip install -v -e . ``` 训练（单GPU）： ```shell python tools/train.py configs/distiller/cwd/cwd_psp_r101-d8_distill_psp_r18_d8_ ```
     
  • MMDetection-Distiller：一个基于MMDetection的知识蒸馏工具箱
    优质
    简介：MMDetection-Distiller是基于MMDetection开发的一款知识蒸馏工具箱，致力于提升模型在目标检测任务中的性能与效率。 该项目基于mmdetection（v-2.9.0），所有用法与该版本相同，包括训练、测试等。 蒸馏器动物园 安装： 1. 设置新的conda环境：`conda create -n distiller python=3.7` 2. 安装pytorch 3. 安装mmdetection-distiller ```shell git clone https://github.com/ppppp/Mmmdetection-distiller.git cd mmdetection-distiller pip install -r requirementsbuild.txt pip install -v -e . ``` 训练： #单GPU训练 `python tools/train.py configs/distillers/cwdcwd_retina_rx101_64x4d_distill_retina_r50_fpn_2`