如有錯(cuò)誤，懇請(qǐng)指出。

在之后的時(shí)間內(nèi)，可能會(huì)學(xué)習(xí)與點(diǎn)云相關(guān)的知識(shí)，進(jìn)一步學(xué)習(xí)基于點(diǎn)云的3D目標(biāo)檢測(cè)。然后，為了快速入門這個(gè)領(lǐng)域，想使用mmdetection3d開源算法庫(kù)來(lái)嘗試訓(xùn)練一些經(jīng)典的3d目標(biāo)檢測(cè)模型，比如：SECOND，PointPillars，3D-SSD等等。之后重點(diǎn)是詳細(xì)介紹KITTI數(shù)據(jù)集的一系列評(píng)估標(biāo)準(zhǔn)。

1. mmdet3d安裝過(guò)程

其中，推薦安裝python=3.7的虛擬環(huán)境，因?yàn)樵趉itti數(shù)據(jù)集可視化過(guò)程中需要使用到mayavi包，而這個(gè)包的vtk依賴不支持python 3.8版本。

# 創(chuàng)建虛擬環(huán)境
conda create --name openmmlab python=3.7 -y
conda activate openmmlab

# 安裝深度學(xué)習(xí)框架
# Linux
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3
# Windows
pip install torch==1.11.0+cu102 torchvision==0.12.0+cu102 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu102

# 安裝mmdet3d開源算法庫(kù)
pip install openmim
mim install mmcv-full
mim install mmdet
mim install mmsegmentation
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -e .

ps：在linux可能出現(xiàn)的問(wèn)題不會(huì)有太多，但是如果是window中安裝，出現(xiàn)pycocotools無(wú)法正常安裝的問(wèn)題，原因是沒有vc++的編譯器，安裝一個(gè)visual studio 2019的專業(yè)版就可以正常安裝了mmdet了，而mmdet的依賴就是pycocotools。

這個(gè)問(wèn)題的詳細(xì)解決方法見：error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools“

2. KITTI數(shù)據(jù)集準(zhǔn)備

在官網(wǎng)下載對(duì)應(yīng)的數(shù)據(jù)：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d
安裝官方文檔對(duì)數(shù)據(jù)進(jìn)行組織：https://mmdetection3d.readthedocs.io/zh_CN/latest/datasets/kitti_det.html

ps：官方提供的數(shù)據(jù)切分指令如果wget無(wú)法正常下載訪問(wèn)，可以在/etc/hosts中自行添加網(wǎng)頁(yè)的IP地址（IP地址的查詢服務(wù)鏈接：https://www.ip138.com/），例如：

wget -c  https://raw.githubusercontent.com/traveller59/second.pytorch/master/second/data/ImageSets/test.txt --no-check-certificate --content-disposition -O ./data/kitti/ImageSets/test.txt

這個(gè)問(wèn)題的詳細(xì)解決方法，我也用博客貼出：Connecting to raw.githubusercontent.com (raw.githubusercontent.com)|0.0.0.0|:443… failed

處理后的文件夾結(jié)構(gòu)應(yīng)該如下：

kitti
├── ImageSets
│   ├── test.txt
│   ├── train.txt
│   ├── trainval.txt
│   ├── val.txt
├── testing
│   ├── calib
│   ├── image_2
│   ├── velodyne
│   ├── velodyne_reduced
├── training
│   ├── calib
│   ├── image_2
│   ├── label_2
│   ├── velodyne
│   ├── velodyne_reduced
│   ├── planes (optional)
├── kitti_gt_database
│   ├── xxxxx.bin
├── kitti_infos_train.pkl
├── kitti_infos_val.pkl
├── kitti_dbinfos_train.pkl
├── kitti_infos_test.pkl
├── kitti_infos_trainval.pkl
├── kitti_infos_train_mono3d.coco.json
├── kitti_infos_trainval_mono3d.coco.json
├── kitti_infos_test_mono3d.coco.json
├── kitti_infos_val_mono3d.coco.json

這里我不太理解mmdet3d轉(zhuǎn)換出來(lái)的這些.pkl與.coco.json文件，所以下面寫了個(gè)測(cè)試代碼來(lái)對(duì)其進(jìn)行詳細(xì)了解。

2.1 了解 .coco.json 文件

對(duì)于 .coco.json 后綴的文件，可以通過(guò)兩種方式對(duì)其進(jìn)行讀取，如下所示：

# 方法1：
json_path = r'../data/kitti/kitti_infos_train_mono3d.coco.json'
with open(json_path, 'r') as fr:
    json_file = json.load(fr)

# 方法2：
cocojson_path = '../data/kitti/kitti_infos_train_mono3d.coco.json'
cocojson_file = mmcv.load(cocojson_path)

ps：如果由于某些原因?qū)е耲son文件的內(nèi)容被情況，也就是變成了一個(gè)空的.coco.json文件，這時(shí)候使用以上的兩種方法讀取數(shù)據(jù)是會(huì)報(bào)錯(cuò)的，這一點(diǎn)需要尤其注意。（在測(cè)試過(guò)程中我就是出現(xiàn)了這個(gè)題，還排查了許久的原因）

其中，查看kitti_infos_train_mono3d.coco.json 和 kitti_infos_test_mono3d.coco.json內(nèi)容如下所示，有固定字段組成的字典形式，由annotation、images、categories組成，其中訓(xùn)練集有標(biāo)注信息，而驗(yàn)證集沒有標(biāo)注信息，其字段信息如下所示：

其中的images又是由多個(gè)字典組成，如下所示：

不過(guò)在訓(xùn)練的時(shí)候，我看見配置文件中其實(shí)使用的pkl文件，所以這里生成的.coco.json文件更多的可能是使用一些2D的經(jīng)典目標(biāo)檢測(cè)算法來(lái)訓(xùn)練kitti數(shù)據(jù)集的。也就是說(shuō)，生成的.coco.json文件，使得我們可以使用mmdetection的開源算法庫(kù)（檢測(cè)2d的算法）來(lái)訓(xùn)練kitti數(shù)據(jù)集。

2.2 了解 .pkl 文件

使用一般的手段是不能正常讀取.pkl文件的，np.fromfile 與 json.load 都不能正常讀取，因?yàn)檫@是mmdet中獨(dú)特的數(shù)據(jù)存儲(chǔ)格式。對(duì)于網(wǎng)上沒有這種文件的詳細(xì)介紹，此時(shí)就可以轉(zhuǎn)換思路通過(guò)如何生成 .pkl 文件入手，知道了其如何生成就應(yīng)該知道其存儲(chǔ)的內(nèi)容是什么。

在代碼層面，首先在 tools/create_data.py 中的 kitti_data_pre 函數(shù)中，作為數(shù)據(jù)處理的入口。之后可以發(fā)現(xiàn)，代碼中是通過(guò) mmcv.dump 與 mmcv.load 來(lái)進(jìn)行pkl格式數(shù)據(jù)與.coco.json格式數(shù)據(jù)的寫入與導(dǎo)出，但是數(shù)據(jù)本身就是一個(gè)字典形式。具體的構(gòu)造在 get_kitti_image_info 函數(shù)中，函數(shù)的相關(guān)注釋如下：

KITTI annotation format version 2:
{
    [optional]points: [N, 3+] point cloud
    [optional, for kitti]image: {
        image_idx: ...
        image_path: ...
        image_shape: ...
    }
    point_cloud: {
        num_features: 4
        velodyne_path: ...
    }
    [optional, for kitti]calib: {
        R0_rect: ...
        Tr_velo_to_cam: ...
        P2: ...
    }
    annos: {
        location: [num_gt, 3] array
        dimensions: [num_gt, 3] array
        rotation_y: [num_gt] angle array
        name: [num_gt] ground truth name array
        [optional]difficulty: kitti difficulty
        [optional]group_ids: used for multi-part object
    }
}

這里，直接利用 mmcv.load 來(lái)讀取 kitti_test.pkl 數(shù)據(jù)，pkl_file = mmcv.load(file=pkl_path) ，其內(nèi)容如下所示：

可以發(fā)現(xiàn)，其作為一個(gè)列表元素，每個(gè)訓(xùn)練數(shù)據(jù)都被構(gòu)建成了一個(gè)字典。每個(gè)字典由4大部分組成：inage、point_cloud、calib、annos。其與注釋內(nèi)容是相符合的，其中可以使用 mmcv.track_iter_progress 可以按順序?qū)ψ值溥M(jìn)行提取：for info in mmcv.track_iter_progress(kitti_infos)

其中，對(duì)于這4個(gè)部分，官方資料中有解釋到：https://mmdetection3d.readthedocs.io/zh_CN/latest/datasets/kitti_det.html

可以發(fā)現(xiàn)，其實(shí)這里的annos就是kitti中的label文件的數(shù)據(jù)。而對(duì)于label_2的介紹，可以參考https://blog.csdn.net/qq_37534947/article/details/106628308，label文件是kitti中object的標(biāo)簽和評(píng)估數(shù)據(jù)，以“000001.txt”文件為例，包含樣式如下：

每一行代表一個(gè)object，每一行都有16列分別表示不同的含義，具體如下：

• 第1列（字符串）：代表物體類別（type）
  總共有9類，分別是：Car、Van、Truck、Pedestrian、Person_sitting、Cyclist、Tram、Misc、DontCare。其中DontCare標(biāo)簽表示該區(qū)域沒有被標(biāo)注，比如由于目標(biāo)物體距離激光雷達(dá)太遠(yuǎn)。為了防止在評(píng)估過(guò)程中（主要是計(jì)算precision），將本來(lái)是目標(biāo)物體但是因?yàn)槟承┰蚨鴽]有標(biāo)注的區(qū)域統(tǒng)計(jì)為假陽(yáng)性(false positives)，評(píng)估腳本會(huì)自動(dòng)忽略DontCare區(qū)域的預(yù)測(cè)結(jié)果。
• 第2列（浮點(diǎn)數(shù)）：代表物體是否被截?cái)啵╰runcated）
  數(shù)值在0（非截?cái)啵┑?（截?cái)啵┲g浮動(dòng)，數(shù)字表示指離開圖像邊界對(duì)象的程度。
• 第3列（整數(shù)）：代表物體是否被遮擋（occluded）
  整數(shù)0、1、2、3分別表示被遮擋的程度。
• 第4列（弧度數(shù)）：物體的觀察角度（alpha）
  取值范圍為：-pi ~ pi（單位：rad），它表示在相機(jī)坐標(biāo)系下，以相機(jī)原點(diǎn)為中心，相機(jī)原點(diǎn)到物體中心的連線為半徑，將物體繞相機(jī)y軸旋轉(zhuǎn)至相機(jī)z軸，此時(shí)物體方向與相機(jī)x軸的夾角，如圖1所示。
• 第5~8列（浮點(diǎn)數(shù)）：物體的2D邊界框大小（bbox）
  四個(gè)數(shù)分別是xmin、ymin、xmax、ymax（單位：pixel），表示2維邊界框的左上角和右下角的坐標(biāo)。
• 第9~11列（浮點(diǎn)數(shù)）：3D物體的尺寸（dimensions）分別是高、寬、長(zhǎng)（單位：米）
• 第12-14列（整數(shù)）：3D物體的位置（location）分別是x、y、z（單位：米），特別注意的是，這里的xyz是在相機(jī)坐標(biāo)系下3D物體的中心點(diǎn)位置。
• 第15列（弧度數(shù)）：3D物體的空間方向（rotation_y）取值范圍為：-pi ~ pi（單位：rad），它表示，在照相機(jī)坐標(biāo)系下，物體的全局方向角（物體前進(jìn)方向與相機(jī)坐標(biāo)系x軸的夾角）
• 第16列（整數(shù)）：檢測(cè)的置信度（score）要特別注意的是，這個(gè)數(shù)據(jù)只在測(cè)試集的數(shù)據(jù)中有。

2.3 .bin文件、.pkl文件、.coco.json文件的查看代碼

如何查看KITTI數(shù)據(jù)集涉及的這些.bin文件，以及mmdetection3d統(tǒng)一的.pkl與.coco.json格式，以下我寫了個(gè)代碼已實(shí)現(xiàn)對(duì)這些文件的查看。

參考代碼：

import numpy as np
import os
import json

import mmcv

# os.chdir(path='')

root = os.getcwd()
print(root)

bin_path = '../data/kitti/kitti_gt_database/1000_Car_0.bin'
pkl_path = '../data/kitti/kitti_infos_train.pkl'
# 原來(lái)是 test_mono3d.coco.json由于名稱的問(wèn)題，讀取不了數(shù)據(jù)
json_path = r'../data/kitti/test.json'
os.path.exists(bin_path), "{} is not exists".format(bin_path)
os.path.exists(json_path), "{} is not exists".format(json_path)

bin_file = np.fromfile(file=bin_path, dtype=np.float32, count=-1)
pkl_file = np.fromfile(file=pkl_path, dtype=np.float32, count=-1)
print(bin_file.shape)
print(pkl_file.shape)

# with open(json_path, 'r') as fr:
#     json_file = json.load(fr)
# print(json_file)

pkl_path = '../data/kitti/kitti_infos_train.pkl'
kitti_infos = mmcv.load(file=pkl_path)
# print(pkl_file)

json_path = r'../data/kitti/kitti_infos_train_mono3d.coco.json'
with open(json_path, 'r') as fr:
    json_train_file = json.load(fr)
# print(json_file)

cocojson_path = '../data/kitti/kitti_infos_test_mono3d.coco.json'
json_test_file = mmcv.load(cocojson_path)

補(bǔ)充：使用 mmcv.load 不僅僅可以讀取,coco.json和.pkl文件，其一共支持5種格式的數(shù)據(jù)格式。如下所示：

file_handlers = {
    'json': JsonHandler(),
    'yaml': YamlHandler(),
    'yml': YamlHandler(),
    'pickle': PickleHandler(),
    'pkl': PickleHandler()
}

3. KITTI數(shù)據(jù)集訓(xùn)練

如果你在單個(gè)機(jī)器上啟動(dòng)多個(gè)任務(wù)，比如，在具有8塊顯卡的機(jī)器上進(jìn)行2個(gè)4塊顯卡訓(xùn)練的任務(wù)，你需要為每個(gè)任務(wù)指定不同的端口（默認(rèn)為29500）以避免通信沖突。

如果你使用 dist_train.sh 啟動(dòng)訓(xùn)練任務(wù)，可以在命令中設(shè)置端口：

CUDA_VISIBLE_DEVICES=0,1,2,3 PORT=29500 ./tools/dist_train.sh ${CONFIG_FILE} 4
CUDA_VISIBLE_DEVICES=4,5,6,7 PORT=29501 ./tools/dist_train.sh ${CONFIG_FILE} 4

端口的設(shè)置還有另外的兩種方法：

# 方法1：通過(guò) --options 設(shè)置端口
CUDA_VISIBLE_DEVICES=0,1,2,3 GPUS=4 ./tools/slurm_train.sh ${PARTITION} ${JOB_NAME} config1.py ${WORK_DIR} --options 'dist_params.port=29500'
CUDA_VISIBLE_DEVICES=4,5,6,7 GPUS=4 ./tools/slurm_train.sh ${PARTITION} ${JOB_NAME} config2.py ${WORK_DIR} --options 'dist_params.port=29501'

# 方法2：通過(guò)修改配置文件（來(lái)設(shè)置不同的通信端口
dist_params = dict(backend='nccl', port=29500)
dist_params = dict(backend='nccl', port=29501)

詳細(xì)的訓(xùn)練過(guò)程這里就不貼出來(lái)的，和mmdetection、mmfewshot等的訓(xùn)練過(guò)程是一樣的。詳細(xì)可以參考：MMOpenLab使用專欄

經(jīng)過(guò)測(cè)試，出現(xiàn)的使用問(wèn)題：

1）訓(xùn)練MVXNET：彈出非法訪問(wèn)的問(wèn)題（解決方法是降低學(xué)習(xí)率，以實(shí)現(xiàn)單卡運(yùn)行的學(xué)習(xí)率配置）
2）訓(xùn)練Point RCNN：占用顯存不斷增加，最終溢出（官方還沒有修復(fù)這個(gè)問(wèn)題）

成功測(cè)試的算法：SECOND、3D-SSD、PointPillars、Part-A2、SASSD

4. KITTI數(shù)據(jù)集評(píng)估標(biāo)準(zhǔn)

以PointPillars為例，訓(xùn)練完之后會(huì)有一個(gè)評(píng)估結(jié)果（以下結(jié)果是截取了Car這個(gè)類的結(jié)果，還有另外兩個(gè)類的結(jié)果沒有放上來(lái)）

----------- AP11 Results ------------
Car AP11@0.70, 0.70, 0.70:
bbox AP11:90.5385, 89.3699, 86.2703
bev  AP11:89.6290, 86.8373, 79.6047
3d   AP11:85.9857, 76.4022, 73.5934
aos  AP11:90.38, 88.89, 85.46
Car AP11@0.70, 0.50, 0.50:
bbox AP11:90.5385, 89.3699, 86.2703
bev  AP11:90.6688, 89.9088, 89.0676
3d   AP11:90.6654, 89.8380, 88.8712
aos  AP11:90.38, 88.89, 85.46

Overall AP11@easy, moderate, hard:
bbox AP11:79.9252, 74.4630, 71.3123
bev  AP11:77.1720, 68.2989, 63.5469
3d   AP11:73.1700, 62.1137, 58.4967
aos  AP11:74.50, 68.65, 65.49

----------- AP40 Results ------------
Car AP40@0.70, 0.70, 0.70:
bbox AP40:95.6966, 92.1547, 87.4279
bev  AP40:92.4469, 88.1739, 83.6487
3d   AP40:87.8139, 76.5133, 73.3604
aos  AP40:95.51, 91.61, 86.58
Car AP40@0.70, 0.50, 0.50:
bbox AP40:95.6966, 92.1547, 87.4279
bev  AP40:95.9824, 94.8116, 91.7013
3d   AP40:95.9314, 94.6114, 90.0106
aos  AP40:95.51, 91.61, 86.58

Overall AP40@easy, moderate, hard:
bbox AP40:82.7911, 75.4843, 71.5740
bev  AP40:78.7391, 68.7362, 64.2875
3d   AP40:74.1775, 61.6529, 57.5156
aos  AP40:76.47, 68.73, 64.88

對(duì)于上述的結(jié)果，下面分別對(duì)特定的名詞進(jìn)行解釋說(shuō)明：

4.1 bbox、bev、3d、aos

深度學(xué)習(xí)算法的檢測(cè)指標(biāo)通常由bbox、bev、3d、aos四個(gè)檢測(cè)指標(biāo)，其含義分別如下所示：

• bbox：2D檢測(cè)框的準(zhǔn)確率
• bev：BEV視圖下檢測(cè)框的準(zhǔn)確率
• 3d：3D檢測(cè)框的準(zhǔn)確率
• aos：檢測(cè)目標(biāo)旋轉(zhuǎn)角度的準(zhǔn)確率

4.2 AP11與AP40

• AP11：表示11點(diǎn)插值平均精度，在kitti 3D中R11={0,0.1,0.2，……，1}，是等間距的recall level
• AP40：表示40點(diǎn)插值平均精度，將R11修改為R40={1/40，2/40，3/40，……，1}，同樣是等間距的recall level

ps：論文《Disentangling Monocular 3D Object Detection》證明AP11是不準(zhǔn)確的，因?yàn)楫?dāng)模型可以提供一個(gè)精度極小，僅僅是>0的一個(gè)單一目標(biāo)，此時(shí)R=0時(shí)的精度即為1，那么AP11的平均精度即為1/11，這個(gè)精度已經(jīng)超過(guò)了很多的方法，所以是不合理的。所以后續(xù)修改為AP40。

4.3 Car AP11@0.70, 0.70, 0.70與Car AP11@0.70, 0.50, 0.50

• AP11@0.70, 0.70, 0.70分別代表bbox，bev，3d在0.70閾值下的平均精度
• AP11@0.70, 0.50, 0.50分別代表bbox，bev，3d在0.70,0.50,0.50不同閾值下的平均精度

這里可以發(fā)現(xiàn)，評(píng)估bbox只有0.70這個(gè)閾值，所以可以發(fā)現(xiàn)bbox的兩行數(shù)據(jù)都是一樣的，而對(duì)于bev與3d來(lái)說(shuō)，0.50的閾值比0.70的閾值要寬松，所以第二組的結(jié)果（閾值0.50）一般要比第一組的結(jié)果（閾值0.70）要高。

4.4 bbox AP11:90.5385, 89.3699, 86.2703

無(wú)論是bbox，還是bev、3d、aos，每個(gè)評(píng)價(jià)指標(biāo)在某一個(gè)閾值下都會(huì)有3組結(jié)果，這三組結(jié)果分別對(duì)應(yīng)的是easy、moderate和hard下的評(píng)估結(jié)果。難度越來(lái)越大，所以數(shù)值也越來(lái)越小，所以這三組數(shù)值一般是呈遞減狀態(tài)。

4.5 mAP

一般論文中的實(shí)驗(yàn)結(jié)果都會(huì)貼上一個(gè)mAP的最終結(jié)果，這個(gè)結(jié)果就是moderate mAP的結(jié)果。比如，在剛剛的PointPillars實(shí)驗(yàn)結(jié)果中，對(duì)于car類別的AP11結(jié)果如下所示，其中76.4022就是作為car這個(gè)類基準(zhǔn)排名的主要指標(biāo)。

Car AP11@0.70, 0.70, 0.70:
3d   AP11:85.9857, 76.4022, 73.5934

而對(duì)于全部3個(gè)類別的AP11結(jié)果如下所示，那么62.1137就是作為3類（3 Class）基準(zhǔn)排名的主要指標(biāo)。

Overall AP11@easy, moderate, hard:
3d   AP11:73.1700, 62.1137, 58.4967

現(xiàn)在，來(lái)查看mmdetection3d中PointPillars的結(jié)果：

可以發(fā)現(xiàn)，其實(shí)剛剛我跑出來(lái)的結(jié)果Class的AP是76.4022，而3 Class的AP是62.137。這個(gè)結(jié)果和官方跑出來(lái)的77.6和64.07差不多。使用以下指令，來(lái)測(cè)試剛剛訓(xùn)練好的PointPillars的最新模型：

python tools/test.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py \
                     work_dirs/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class/latest.pth \
                     --eval mAP

輸出結(jié)果：

可以看見，無(wú)論是Car=76.4022還是3 Class=62.1137，都與訓(xùn)練時(shí)期的驗(yàn)證結(jié)果差不多，所以訓(xùn)練期間的驗(yàn)證結(jié)果還是可信的。

4.6 aos（Average Orientation Similarity）

aos的名稱為平均方向相似性（這里是利用了AP11來(lái)進(jìn)行計(jì)算），計(jì)算公式如下：

其中，r代表物體檢測(cè)的召回率。在因變量r下，方向相似性s∈[0,1]被定義為所有預(yù)測(cè)樣本與ground truth余弦距離的歸一化：

其中D?表示在召回率r下所有預(yù)測(cè)為正樣本的集合，?θ(i) 表示檢出物體i的預(yù)測(cè)角度與ground truth的差。為了懲罰多個(gè)檢出匹配到同一個(gè)ground truth，如果檢出i已經(jīng)匹配到ground truth設(shè)置δi = 1，否則δi = 0。

簡(jiǎn)要分析：我們希望aos的值越大越好，越大也就說(shuō)明預(yù)測(cè)角度與ground truth的值越相似，那么這個(gè)是如何實(shí)現(xiàn)的呢。在余弦函數(shù)中，如果預(yù)測(cè)角度與ground turth的值越接近，那么它們差值就越接近0，余弦值是越靠近1，也就是余弦越大，那么整個(gè)公式的求和平均也是越大的。而如果預(yù)測(cè)值與ground truth不像，嚴(yán)重預(yù)測(cè)錯(cuò)誤，那么其差值就會(huì)變大，一個(gè)比較大的差值在余弦公式中是比較小的，甚至可能是負(fù)數(shù)，導(dǎo)致1+cos的結(jié)果很小，從而使得整體的結(jié)果偏小。所以aos公式可以一定程度的判斷方向的預(yù)測(cè)正確性。

4.7 easy、moderate、hard的定義

KITTI數(shù)據(jù)集中easy、moderate、hard根據(jù)標(biāo)注框是否被遮擋、遮擋程度和框的高度進(jìn)行定義的，具體數(shù)據(jù)如下：

• 簡(jiǎn)單：最小邊界框高度：40像素，最大遮擋級(jí)別：完全可見，最大截?cái)啵?5%
• 中等：最小邊界框高度：25像素，最大遮擋水平：部分遮擋，最大截?cái)啵?0%
• 困難：最小邊界框高度：25像素，最大遮擋級(jí)別：難以看到，最大截?cái)啵?0%

參考資料：

1. MMDet3d官方文檔

2. What is the resuls meaning? #185

3. KITTI數(shù)據(jù)集3d目標(biāo)檢測(cè)的評(píng)價(jià)的含義

4. 機(jī)器學(xué)習(xí)算法評(píng)估指標(biāo)——3D目標(biāo)檢測(cè)

5. 點(diǎn)云感知算法面試知識(shí)點(diǎn)（一）文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-787458.html

到了這里，關(guān)于MMDetection3d對(duì)KITT數(shù)據(jù)集的訓(xùn)練與評(píng)估介紹的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！