三明市建设局网站,广西东晋建设有限公司网站,同城58找房子租房信息,网站建设价钱是多少目录
前言
Python虚拟环境创建以及使用
KITTI3D目标检测数据集
CenterPoint-KITTI编译遇到问题合集
ImportError: cannot import name VoxelGenerator from spconv.utils
失败案例
最终解决方案
对于可选参数#xff0c;road plane的处理
E: Unable to locate packag…目录
前言
Python虚拟环境创建以及使用
KITTI3D目标检测数据集
CenterPoint-KITTI编译遇到问题合集
ImportError: cannot import name VoxelGenerator from spconv.utils
失败案例
最终解决方案
对于可选参数road plane的处理
E: Unable to locate package libboost-all-dev
TypeError: load() missing 1 required positional argument: ‘Loader‘ GPU内存不足如何解决
训练效果
2024-09-13更新 前言 最近在做基于雷达的目标检测跟踪实现阅读了同济大学最新的论文LIMOT但论文复线时需要自己训练Detector下面记录自己在编译CenterPoint-KITTI过程中遇到的问题以及解决方法。
LIMOT论文官方Github仓库
GitHub - tiev-tongji/LIMOT: A Tightly-Coupled System for LiDAR-Inertial Odometry and Multi-Object Tracking.
CenterPoint-KITTI官方Github仓库
GitHub - tianweiy/CenterPoint-KITTI
Python虚拟环境创建以及使用 官方编译运行CenterPoint时并没有使用Python的虚拟环境但自己考虑之后处于虚拟环境的便捷性还是选择使用虚拟环境实现。
Python中虚拟环境的使用: 创建虚拟环境ptython3 -m virtualenv venv激活虚拟环境source venv/bin/activate退出虚拟环境deactivateLinux中如何彻底删除虚拟环境以及虚拟环境中安装的软件记住一个原则虚拟环境里面安装的软件全部存在于此虚拟环境中当执行命令rm -rf venv删除对应的虚拟环境后安装的软件也就被删除了。 最终自己创建并使用虚拟环境如下 KITTI3D目标检测数据集
KITTI原始3D对象预测数据集 KITTI 3D目标检测数据集解析完整版_kitti数据集-CSDN博客百度网盘 请输入提取码 提取码hsg5.KITTI数据集下载百度云-CSDN博客
CenterPoint-KITTI编译遇到问题合集
ImportError: cannot import name VoxelGenerator from spconv.utils 失败案例 搜索上述错误有很多种其他参考参考但修改代码后又报了很多错误如下最终也是卸载并安装对应版本解决。
第一次参考这篇博客修改对应代码大错特错随后错误一个接着一个直接干沉默了。
SSD 复现过程报错_importerror: cannot import name ‘voxelgenerator’ f-CSDN博客 ValueError: setting an array element with a sequence. The requested array has an inhomogeneous shape after 2 dimensions. The detected shape was (1, 4) inhomogeneous part. · Issue #1109 · theislab/scvelo
成功解决ValueError: setting an array element with a sequence. The requested array has an...-CSDN博客 最终解决方案
如何解决最终卸载了cuda11.8对应的spconv将其替换为Git官网上对应的v1.1版本完美解决。 自己搜索过程中查询到另一篇Github博客所讲将低版本在这里也就是v1.1版本的VoxelGeneratorV2的相关文件复制一份放到你安装的spconv文件中这种方式我并没有尝试使用重新安装v1.1的方式。 1. 查看并卸载已经安装的spconv
#通过pip list命令查看安装的spconv以及cumm
pip list | grep spconv
pip list | grep cumm
#查询到对应的spconv以及cumm版本后使用uninstall命令卸载这种方式仅针对于使用pip方式安装的
pip uninstall spconv
pip uninstall cumm
#卸载后再次查看已经没有安装的spconv以及cumm 根据官方网站查看对于cuda11.8如果使用下述方式安装是会有cumm的自己第一次安装了cuda11.8对应的spconv下面安装了v1.1版本就没有cumm了所有安装后验证是否安装正确没有出现cumm也不用慌可以正常使用。 2. 从sponv官网拉取对应v1.1版本的spconv
git clone -b v1.1 https://github.com/traveller59/spconv.git --recurisve -b v1.1指定了拉取对应v1.1版本的spconv。 --recursive 这个选项用于克隆所有子模块submodule。Git 子模块是指在 Git 仓库中嵌套的另一个 Git 仓库。使用 --recursive 选项可以确保在克隆主仓库的同时也会递归地克隆所有子模块。 安装步骤参考官网 if you are using pytorch 1.4 and encounter nvcc fatal: unknown -Wall, you need to go to torch package dir and remove flags contains -Wall in INTERFACE_COMPILE_OPTIONS in Caffe2Targets.cmake. This problem cant be fixed in this project (to avoid this, I need to remove all torch dependency in cuda sources and drop half support). Use git clone xxx.git --recursive to clone this repo. Install boost headers to your system include path, you can use either sudo apt-get install libboost-all-dev or download compressed files from boost official website and copy headers to include path. Download cmake 3.13.2, then add cmake executables to PATH. Ensure you have installed pytorch 1.0 in your environment, run python setup.py bdist_wheel (dont use python setup.py install). Run cd ./dist, use pip to install generated whl file. 第5步执行完成后在dist目录下会生成一个文件参考如下执行下述命令安装spconv v1.1 pip install spconv-1.1-cp38-cp38-linux_x86_64.whl
GitHub - traveller59/spconv at v1.1 3. 验证是否安装成功 由于我使用的时python的虚拟环境最终安装的软件都位于venv这个虚拟环境中按照下图第一个方框里的内容找到对应的路径查看有VoxelGeneratorV2这个类表示成功。
对于可选参数road plane的处理 进入对应的数据配置文件和模型配置文件将USE_ROAD_PLANE: 由True改为False。
E: Unable to locate package libboost-all-dev
对于无法定位到软件包的问题直接使用sudo apt-get update先更新下载源之后再重试即可。
sudo apt-get update
sudo apt-get install libboost-all-dev
E: Unable to locate package libboost-all-dev_unable to locate package libboost-dev-CSDN博客
TypeError: load() missing 1 required positional argument: ‘Loader‘ 解决方案TypeError: load() missing 1 required positional argument: ‘Loader‘_typeerror: adb() missing 1 required positional arg-CSDN博客 将yaml.load()改为 yaml.safe_load()即可解决。 GPU内存不足如何解决 直接搜索相应博客我的解决方案就是将batch_size大小指定为2也就是批量大小指定为2就可以对于KITTI的CenterPoint的训练。
pytorch: 四种方法解决RuntimeError: CUDA out of memory. Tried to allocate ... MiB_cuda out of memory. tried to allocate 1.38 gib (gp-CSDN博客 如何实时查看GPU使用情况使用命令watch -n 0.5 nvidia-smi。 watch 是一个在 Unix 和类 Unix 操作系统中常用的命令行工具它可以用来周期性地执行一个程序并全屏显示其输出。这对于实时监控某些操作或系统状态非常有用。watch这是用来执行周期性命令的工具。-n 0.5这个选项告诉 watch 每 0.5 秒执行一次后面的命令。-n 后面的数字是间隔时间单位是秒。 训练效果 2024-09-13更新 昨天经过漫长时间的训练模型已经训练成功但是模型评估的时候出了点小问题可以参考下面第二个图片主要是编译的时候修改了numpa好像具体忘记记录了但这个问题不大直接卸载原有的numpy安装报错指定的numpy就可以。 pip unstall numpy
pip install numpy1.22.0 安装新版本的numpy后可以对训练出的.pth结尾的模型进行验证。 训练后模型的存放位置在CenterPouint-KITTI根目录下的output文件夹中具体参考下图。 根据官网GETTING_STARTED.md提示测试训练的模型 修改了numpy版本后测试没问题了这里就不贴图片了。 训练完成之后最重要的也就是按照DEMO.md的提示进行可视化验证 按照官网提示安装mayavi的同时需要安装pyqt5工具
pip install pyqt5 否则会报如下错误 上述工作完成后执行如下命令
#官网提示
python demo.py --cfg_file cfgs/kitti_models/pv_rcnn.yaml \--ckpt pv_rcnn_8369.pth \--data_path ${POINT_CLOUD_DATA}#example for me
python3 demo.py --cfg_file cfgs/kitti_models/centerpoint.yaml --ckpt ../output/kitti_models/centerpoint/default/ckpt/checkpoint_epoch_51.pth --data_path ~/Lab/object_detector/CenterPoint-KITTI/data/kitti/testing/velodyne 之后通过可视化界面可以看到如下预测 和官网模型基本一致非常nice后续继续探索一下和LIMOT的集成。
