VoxelNet (50%)

1. 개요

https://adioshun.gitbooks.io/paper-3d-object-detection-and-tracking/content/2017-voxelnet-end-to-end-learning-for-point-cloud-based-3d-object-detection.html

2. 설치 (Docker 기반)

데이터 준비

└── DATA_DIR
       ├── training   <-- training data
       |   ├── image_2
       |   ├── label_2
       |   └── velodyne
       └── validation  <--- evaluation data
       |   ├── image_2
       |   ├── label_2
       |   └── velodyne

도커 pull & 실행

$ docker pull adioshun/voxelnet
$ docker run --runtime=nvidia -it --privileged --network=host -v /tmp/.X11-unix:/tmp/.X11-unix --volume="$HOME/.Xauthority:/root/.Xauthority:rw" -e DISPLAY -v /media/{DATA_DIR}/datasets:/dataset --name 'voxelnet' adioshun/voxelnet /bin/bash

3. 실행

설정 수정(In the docker )

  • config.py

# for dataset dir
__C.DATA_DIR = '/voxelnet/data/dataset'
__C.CALIB_DIR = '/voxelnet/data/dataset/training/calib'


# for gpu allocation
__C.GPU_AVAILABLE = '0,1'
__C.GPU_USE_COUNT = len(__C.GPU_AVAILABLE.split(','))
__C.GPU_MEMORY_FRACTION = 1

  • kitti_eval/launch_test.sh

train

python3 train.py --vis true

  • log 저장 위치 : log/default #Tensorboard 지원

  • validation results : predictions/{epoch number}/data

  • validation results(이미지) : predictions/{epoch number}/vis # --vis true 사용시 (기본 false)

  • model 저장 위치 : save_model/default

  • 학습된 model 저장 위치 :save_model/pre_trained_car

Nvidia 1080 Ti GPUs로 약 3일이 소요 되므로 학습된 모델 사용을 권장 합니다.

학습 완료 후 Learning Curve 확인

python3 parse_log.py predictions
# predictions.jpg 생성

Evaluate

$ python3 test.py -n default --vis True#학습된 결과물 활용 
$ python3 test.py -n pre_trained_car --vis True#사전 학습된 결과물 활용 `save_model/pre_trained_car`

  • 결과 저장 폴더 : predictions/data

  • 결과 저장 폴더(이미지) : predictions/vis# --vis true 사용시 (기본 false)

결과 확인

./kitti_eval/evaluate_object_3d_offline ./../data/dataset/validation/label_2/ ./prediction
PreviousPointNetNextYOLO3D

Last updated