申明：本篇博客是在voxelnet_tensorflow版本 代码复现的过程中并不理想，经常导致内存泄漏死机，无法正常训练，在使用各种办法之后终于找到了voxelnet_pytorch版本的代码来进行复现，经过本人亲自测试，这个版本的代码要比前一个版本的好很多，以下步骤都是本人亲自实践最后成功运行。在这过程中参考了这一篇博客（https://blog.csdn.net/weixin_40805392/article/details/99549300），但是博客里面所提供的代码地址仍然是voxelnet_tensorflow版本的，不过正是因为这篇博客我才知道还有voxelnet_pytorch版本，很感谢他，也感谢原作者无私奉献的程序，在他们的帮助下成功实现了voxelnet_pytorch代码的复现，现在分享出来与大家一起学习交流。
程序运行环境：
运行系统：Ubuntu16.04
运行环境：使用virtualenv创建的voxelnet_pytorch虚拟环境
使用语言：Ubuntu1604自带的Python3.5
硬件支持：GTX1080Ti + CUDA9.0+CUDNN7.3.1 ＋ PyTorch 0.4.1
代码复现过程：
注意：在开始之前，自己的电脑中需要 安装好 英伟达驱动 + CUDA9.0+CUDNN7.3.1
（相关的代码、数据、驱动，也可以使用我分享的百度云链接，链接: https://pan.baidu.com/s/1aRsem0f5mfhGnwHTv5bpCA 提取码: sqsi ）
可以使用以下命令查看cuda和cudnn的版本
cat /usr/local/cuda/version.txt
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2一、使用virtualenv创建虚拟环境
（这里所用的虚拟环境为Python3.5，程序要求使用python3）
1、使用以下命令创建voxelnet_tensorflow虚拟环境：
virtualenv -p /usr/bin/python3.5 voxelnet_pytorch2、使用以下命令激活虚拟环境：
(注：根据自己的实际路径找到创建好的虚拟环境进行激活)
source ~/voxelnet_pytorch/bin/activate创建虚拟环境详情请见（https://blog.csdn.net/r1141207831/article/details/95480766）如果已经创建好了，请忽略！
二、安装依赖
根据readme要求需要安装以下库依赖库
python3.5+- Pytorch (tested on 0.4.1)
(点击可以选择下载相对应版本的pytorch) TensorBoardX(tested on 1.4)OpenCVPillow(for add_image in TensorBoardX)Boost(for compiling evaluation code)
（我在实际运行过程中安装了以下依赖库，均使用清华源进行安装，速度会快一些，逐步安装即可，当然如果你遇到还有缺失的库，如法炮制安装即可）
pip install torch-0.4.1-cp35-cp35m-linux_x86_64.whl #这一步需要下载好torch-0.4.1的安装包
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install TensorBoardX==1.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install Pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install Boost -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install Cython -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install OpenCV-python -i https://pypi.tuna.tsinghua.edu.cn/simple三、程序安装
1、下载代码
在此地址(https://github.com/Hqss/VoxelNet_PyTorch)下载voxelnet_pytorch的代码，下载完毕之后解压，并进入该目录。
2、编译Cython模块
python utils/setup.py build_ext --inplace3、编译evaluation代码
cd eval/KITTI
g++ -I path/to/boost/include -o evaluate_object_3d_offline evaluate_object_3d_offline.cpp4、给evaluation脚本赋予执行权限
cd eval/KITTI
chmod +x launch_test.sh四、数据准备
1、下载数据
从此处下载3D KITTI检测数据集。注释的描述可以在这里找到。要下载的数据包括：
- Velodyne point clouds (29 GB): unzip it and put
'training'and'testing'sub-folders into'data/KITTI/point_cloud' - Training labels of object data set (5 MB) for input labels of VoxelNet: unzip it and put
'training'sub-folder into'data/KITTI/label' - Camera calibration matrices of object data set (16 MB) for visualization of predictions: unzip it and put
'training'and'testing'sub-folders into'data/KITTI/calib' - Left color images of object data set (12 GB) for visualization of predictions: unzip it and put
'training'and'testing'sub-folders into'data/KITTI/image'
2、裁剪数据
（注：如果不想自己动手，也可以使用我已经裁剪好的数据进行使用（链接: https://pan.baidu.com/s/14evExO4UOSyp0AEi9C-y8A 提取码: cdqa ）
裁剪点云数据以进行训练和验证。图像坐标外部的点云将被删除。修改preproc / crop.py中的数据路径并运行它以生成裁剪的数据。请注意，裁剪的点云数据将覆盖原始点云数据。
3、数据分类
在这里下载train/val split 协议，并将其解压缩为'data/KITTI'。修改'preproc\split.py'中的数据路径并运行它以生成具有以下结构的train / val文件夹：
└── data
├── KITTI
└── MD_KITTI
├── training <-- training data
| ├── image_2
| ├── label_2
| └── velodyne
└── validation <--- evaluation data
├── image_2
├── label_2
└── velodyne4、更新config.py和eval / KITTI / launch_test.sh中的数据集目录
五、开始训练
1、在config.py中指定要使用的GPU。当前，该代码仅支持单个GPU。
2、使用所需的超参数运行train.sh以开始训练：
在训练之前需要先更改一下train.py文件中的两处地方：
a.在代码开头添加以下代码
import sys
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages')b.修改max epoch的默认值
修改 parser.add_argument('--max_epoch', type = int, default = 1, help = 'max epoch') 里面的 default=160
c.然后执行以下命令开始训练。
bash train.sh3、训练完成后，运行parse.sh生成学习曲线。
bash parse.sh4、查看训练模型
在save_model / pre_trained_car中有一个预先训练的汽车模型
六、评估
1、训练完成后，运行test.sh对验证集产生最终预测。将--tag标志更改为pre_trained_car将测试预训练的模型（要完成）。
bash test.sh注意结果将被转储到preds / data中。将--vis标志设置为True可以将可视化文件转储到preds / vis中。
2、运行以下命令以测量预测的定量性能：
./eval/KITTI/evaluate_object_3d_offline ./data/MD_KITTI/validation/label_2 ./preds至此VoxelNet_PyTorch训练过程已经结束，这个代码是继上一次VoxelNet_TensorFlow结束之后进行的又一个版本复现，分享出来和大家一起讨论，感谢大家的浏览与支持。
