1. 日志分析

1.1 曲线绘制

绘制某次运行的损失loss

python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/3dssd_4x4_kitti-3d-car/20221013_094855.log.json --keys loss --legend 3dssd  --mode train --interval 1

输出：

绘制某次运行的学习率lr，并且保存图片为pdf格式

python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/3dssd_4x4_kitti-3d-car/20221013_094855.log.json --keys lr --legend 3dssd  --mode train --interval 1 --out lr.pdf

保存的pdf文件：

同一张图像绘制两个模型运行时的损失loss，并且保存图片为pdf格式

python tools/analysis_tools/analyze_logs.py plot_curve work_dirs/3dssd_4x4_kitti-3d-car/20221013_094855.log.json work_dirs/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class/20221012_114205.log.json --keys loss --legend 3dssd pointpillars  --mode train --interval 1 --out lr.pdf

保存的pdf文件：

在model=val也就是在验证模式下，log会输出一些精度信息，类似于："KITTI/Car_3D_AP11_easy_strict": 26.5527，"KITTI/Car_BEV_AP11_easy_strict": 69.40167，"KITTI/Car_2D_AP11_easy_strict": 69.93827。这些信息的keys正常来说应该就是KITTI/Car_3D_AP11_easy_strict，但是在代码中是无法正常读取的。也就说，只能读取train中包含的keys，如下所示：

除了以上的keys之外的信息是没有办法绘制图像的，不过既然有了json文件，如果想要对val的精度信息绘制曲线，也可以自行编码实现。

1.2 平均训练速度绘制

python tools/analysis_tools/analyze_logs.py cal_train_time work_dirs/3dssd_4x4_kitti-3d-car/20221013_094855.log.json

结果输出：

-----Analyze train time of work_dirs/3dssd_4x4_kitti-3d-car/20221013_094855.log.json-----
slowest epoch 11, average time is 0.2238
fastest epoch 72, average time is 0.1832
time std over epochs is 0.0049
average iter time: 0.1873 s/iter

2. 可视化

2.1 结果可视化

观察模型预测结果，同时获取评测结果

python tools/test.py ${CONFIG_FILE} ${CKPT_PATH} --eval 'mAP' --eval-options 'show=True' 'out_dir=${SHOW_DIR}'

ps：

1）3D 单模态检测任务中的 ***_points.obj 和 ***_pred.obj 将会被保存在 ${SHOW_DIR} 中

2）多模态检测任务中的 ***_points.obj，***_pred.obj，***_gt.obj，***_img.png 和 ***_pred.png 将会被保存在 ${SHOW_DIR} 中

当您在没有 GUI 的远程服务器上运行测试的时候，无法进行在线可视化，您可以设定 show=False。对于离线可视化可以选择利用Open3D来可视化结果，但是远程服务器一般无法使用。所以可以选择将结果保存到本地，然后使用3D 可视化软件，例如 MeshLab 来打开这些在 ${SHOW_DIR} 目录下的文件，从而查看 3D 检测输出。具体来说，打开 ***_points.obj 查看输入点云，打开 ***_pred.obj 查看预测的 3D 边界框。

2.2 数据集可视化

浏览KITTI数据集

可以使用 tools/misc/browse_dataset.py 来在线显示载入的数据和真值标签，并且保存进磁盘。为了浏览 KITTI 数据集，您可以运行下面的指令：

python tools/misc/browse_dataset.py configs/base/datasets/kitti-3d-3class.py --task det --output-dir ${OUTPUT_DIR} --online

ps：如果没有显示器，直接移除 --online 标志，从而仅仅保存可视化结果并且进行离线浏览

测试样例（以下样例均来自000003.png）：

浏览数据增强后的KITTI数据集

为了验证数据的一致性和数据增强的效果，您还可以使用以下命令添加 --aug 标志来可视化数据增强后的数据

python tools/misc/browse_dataset.py configs/base/datasets/kitti-3d-3class.py --task det --aug --output-dir ${OUTPUT_DIR} --online

测试样例：

浏览支持多模态的KITTI数据集

显示 2D 图像以及投影的 3D 边界框，则需要找到支持多模态数据加载的配置文件，然后将 --task 参数更改为 multi_modality-det

python tools/misc/browse_dataset.py configs/mvxnet/dv_mvx-fpn_second_secfpn_adamw_2x8_80e_kitti-3d-3class.py --task multi_modality-det --output-dir ${OUTPUT_DIR} --online

测试样例：

不仅仅可以浏览KITTI数据集，也可以简单的使用不同的配置文件来浏览不同的数据集：

在 3D 语义分割任务中可视化 ScanNet 数据集

python tools/misc/browse_dataset.py configs/_base_/datasets/scannet_seg-3d-20class.py --task seg --output-dir ${OUTPUT_DIR} --online

在单目 3D 检测任务中浏览 nuScenes 数据集

python tools/misc/browse_dataset.py configs/_base_/datasets/nus-mono3d.py --task mono-det --output-dir ${OUTPUT_DIR} --online

2.3 单点云结果推理

在mmdet3d开源算法库中，其实还提供了一些API的接口以供我们使用。对于KITTI数据集的单个bin样本，可以使用 demo/ pcd_demo.py 脚本来测试。配置文件可以自行选择，预训练模型可以从模型库中下载，运行如下命令可以去测试点云场景下一个单模态的 3D 检测算法。

python demo/pcd_demo.py ${PCD_FILE} ${CONFIG_FILE} ${CHECKPOINT_FILE} [--device ${GPU_ID}] [--score-thr ${SCORE_THR}] [--out-dir ${OUT_DIR}]

测试样例：

python demo/pcd_demo.py demo/data/kitti/kitti_000008.bin \
    configs/second/hv_second_secfpn_6x8_80e_kitti-3d-car.py  \ 
    checkpoints/hv_second_secfpn_6x8_80e_kitti-3d-car_20200620_230238-393f000c.pth \
    --out-dir demo/data/single_modelity

同样的，在输出的目录下，就会出现单个点云场景***_points.obj 和 ***_pred.obj文件。这两个文件可以直接通过一些3D软件来查看。

2.4 点云api接口处理

这里有一个例子去说明如何构建模型以及测试给出的点云：

from mmdet3d.apis import init_model, inference_detector
config_file = '../configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py'
checkpoint_file = '../checkpoints/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20220301_150306-37dc2420.pth'
# 从配置文件和预训练的模型文件中构建模型
model = init_model(config_file, checkpoint_file, device='cuda:1')
# 测试单个文件并可视化结果
point_cloud = '../data/kitti/training/velodyne/000100.bin'
result, data = inference_detector(model, point_cloud)
# 可视化结果并且将结果保存到 'results' 文件夹
model.show_results(data, result, out_dir='result_dirs')

同样的，在输出的目录下，就会出现单个点云场景***_points.obj 和 ***_pred.obj文件。这两个文件可以直接通过一些3D软件来查看。

3. 模型复杂度

mmdet3d中提供了 tools/analysis_tools/get_flops.py 脚本来计算一个模型的计算量 (FLOPS) 和参数量 (params)，具体是通过 mmcv.cnn.get_model_complexity_info() 这个函数来计算得到的。

测试PointPillars模型

python tools/analysis_tools/get_flops.py configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class.py

输出：

==============================
Input shape: (40000, 4)
Flops: 34.33 GFLOPs
Params: 4.83 M
==============================

测试3D-SSD模型

python tools/analysis_tools/get_flops.py configs/3dssd/3dssd_4x4_kitti-3d-car.py

输出：

==============================
Input shape: (40000, 4)
Flops: 16.03 GFLOPs
Params: 2.51 M
==============================

ps：计算量 (FLOPs) 和输入形状有关，但是参数量 (params) 则和输入形状无关。默认的输入形状为 (1, 40000, 4)，而且现在脚本现在仅仅支持单模态输入（点云或者图片）的单阶段模型的计算量 (FLOPs) 计算。暂时不支持两阶段和多模态模型的计算，比如sassd、mvxnet这些模型的计算量都无法计算得到。

4. 模型转换

4.1 发布模型

tools/model_converters/publish_model.py 帮助用户准备他们用于发布的模型。在上传一个模型到云服务器 (AWS) 之前，您需要做以下几步：

将模型权重转换为 CPU 张量

删除记录优化器状态 (optimizer states) 的相关信息

计算检查点 (checkpoint)文件的哈希编码 (hash id) 并且把哈希编码加到文件名里

测试样例：

python tools/model_converters/publish_model.py work_dirs/3dssd_4x4_kitti-3d-car/epoch_1.pth 3dssd_kitti_1epoch_20221015.pth

最终的输出文件名将会是 3dssd_kitti_1epoch_20221015-b4ec4689.pth。其中b4ec4689就是哈希编码，作为这个权重的唯一ID。

5. 数据集转换

对于自动驾驶场景下标注信息，一般比较复杂，而其中是包含了2d的边界框信息的。那么，其实可以将这些2d信息转化为coco的标注格式，就可以使用一些经典的目标检测网络来训练自动驾驶的数据集，比如KITTI，nuscense，Waymo等。

转换 nuImages 数据集为 COCO 格式

python -u tools/data_converter/nuimage_converter.py --data-root ${DATA_ROOT} --version ${VERSIONS} 
        --out-dir ${OUT_DIR} --nproc ${NUM_WORKERS} --extra-tag ${TAG}

6. 其他内容

6.1 配置文件打印

测试样例：

python tools/misc/print_config.py configs/3dssd/3dssd_4x4_kitti-3d-car.py

输出：

Config:
model = dict(
    type='SSD3DNet',
    backbone=dict(
        type='PointNet2SAMSG',
        in_channels=4,
        num_points=(4096, 512, (256, 256)),
        radii=((0.2, 0.4, 0.8), (0.4, 0.8, 1.6), (1.6, 3.2, 4.8)),
        num_samples=((32, 32, 64), (32, 32, 64), (32, 32, 32)),
        sa_channels=(((16, 16, 32), (16, 16, 32), (32, 32, 64)),
                     ((64, 64, 128), (64, 64, 128), (64, 96, 128)),
                     ((128, 128, 256), (128, 192, 256), (128, 256, 256))),
        aggregation_channels=(64, 128, 256),
        fps_mods=('D-FPS', 'FS', ('F-FPS', 'D-FPS')),
        fps_sample_range_lists=(-1, -1, (512, -1)),
        norm_cfg=dict(type='BN2d', eps=0.001, momentum=0.1),
        sa_cfg=dict(
            type='PointSAModuleMSG',
            pool_mod='max',
            use_xyz=True,
            normalize_xyz=False)),
    ......
checkpoint_config = dict(interval=1)
log_config = dict(
    interval=30,
    hooks=[dict(type='TextLoggerHook'),
           dict(type='TensorboardLoggerHook')])
......
optimizer = dict(type='AdamW', lr=0.002, weight_decay=0)
optimizer_config = dict(grad_clip=dict(max_norm=35, norm_type=2))
lr_config = dict(policy='step', warmup=None, step=[45, 60])
runner = dict(type='EpochBasedRunner', max_epochs=80)

参考资料：

https://mmdetection3d.readthedocs.io/zh_CN/latest/useful_tools.html

MMDetection3d的实用工具脚本

1. 日志分析

1.1 曲线绘制

1.2 平均训练速度绘制

2. 可视化

2.1 结果可视化

2.2 数据集可视化

2.3 单点云结果推理

2.4 点云api接口处理

3. 模型复杂度

4. 模型转换

4.1 发布模型

5. 数据集转换

6. 其他内容

6.1 配置文件打印

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

MMDetection3d的实用工具脚本

1. 日志分析

1.1 曲线绘制

1.2 平均训练速度绘制

2. 可视化

2.1 结果可视化

2.2 数据集可视化

2.3 单点云结果推理

2.4 点云api接口处理

3. 模型复杂度

4. 模型转换

4.1 发布模型

5. 数据集转换

6. 其他内容

6.1 配置文件打印

热门文章

最新文章

相关电子书