MMdetion3D es un modelo de detección relacionado proporcionado por mmlab en la detección de objetivos 3D, que puede realizar la detección de objetivos 3D y la segmentación semántica de nubes de puntos en nubes de puntos, imágenes o datos multimodales.
Dirección de GitHub: https://github.com/open-mmlab/mmdetection3d/
Actualmente, mmdetection3d admite 21 algoritmos diferentes, más de 100 modelos preentrenados y 7 conjuntos de datos:
la instalación de mmdetection3D es relativamente simple y la pisé mucho cuando lo hacia antes de Pit, siempre atascado en el paso de instalar mmcv-full, sobre todo en el sistema win, siempre hay problemas. Es muy conveniente instalarlo directamente a través de mim bajo el sistema ubuntu (en realidad se puede usar el shell de Windows, pero no lo he descubierto). Los pasos específicos son los siguientes (sistema ubuntu o win shell):
Crear un entorno de conda
conda create -n mmdet3d python=3.7 pytorch==1.6.0 cudatoolkit=10.1 torchvision -c pytorch -y
Una cosa a tener en cuenta aquí es que debe elegir de acuerdo con la versión cuda de su computadora, ¡esto es muy importante! ! !
Luego active el entorno para la instalación. Se recomienda usar mim para la instalación, que es más conveniente
conda activate mmdet3d
pip install openmim
mim install mmcv-full
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d-master
pip install -e .
Una cosa a tener en cuenta es que a veces habrá problemas al instalar mmcv-full. En este momento, debe ir al sitio web oficial para verificar la versión correspondiente de su cuda. Me he encontrado con esta situación antes, así que puedo manejarla así.
Para verificar si la instalación está completa, puede ingresar en este entorno:
import mmdet3d
print(mmdet3d.__version__)
verificar
Se puede verificar en jupyter lab. Si no hay un laboratorio de jupyter aquí, pip install jupyterlab
simplemente hágalo directamente.
Ingrese jupyter lab en la línea de comando para ingresar a jupyterlab.
Simplemente ingrese el siguiente comando:
De hecho, es para llamar a la API de mmdet3d para la detección. Cabe señalar que el punto de control debe descargarse por sí mismo. Puede descargar el modelo correspondiente en el directorio de configuración en GitHub: los resultados de visualización son los siguientes: si se trata de una
detección de nube de puntos
.