CenterPoint-KITTI：环境配置、模型训练、效果展示；KITTI 3D 目标检测数据集下载
目录
前言
Python虚拟环境创建以及使用
KITTI3D目标检测数据集
CenterPoint-KITTI编译遇到问题合集
ImportError: cannot import name 'VoxelGenerator' from 'spconv.utils
失败案例
最终解决方案
对于可选参数，road plane的处理
E: Unable to locate package libboost-all-dev
TypeError: load() missing 1 required positional argument: ‘Loader‘
GPU内存不足如何解决：
训练效果
2024-09-13更新
前言
最近在做基于雷达的目标检测跟踪实现，阅读了同济大学最新的论文LIMOT，但论文复线时需要自己训练Detector，下面记录自己在编译CenterPoint-KITTI过程中遇到的问题以及解决方法。
LIMOT论文官方Github仓库：
GitHub - tiev-tongji/LIMOT: A Tightly-Coupled System for LiDAR-Inertial Odometry and Multi-Object Tracking.
CenterPoint-KITTI官方Github仓库：
GitHub - tianweiy/CenterPoint-KITTI
Python虚拟环境创建以及使用
官方编译运行CenterPoint时并没有使用Python的虚拟环境，但自己考虑之后处于虚拟环境的便捷性，还是选择使用虚拟环境实现。
- Python中虚拟环境的使用:
- 创建虚拟环境ptython3 -m virtualenv venv
- 激活虚拟环境source venv/bin/activate
- 退出虚拟环境deactivate
- Linux中如何彻底删除虚拟环境以及虚拟环境中安装的软件，记住一个原则，虚拟环境里面安装的软件全部存在于此虚拟环境中，当执行命令rm -rf venv删除对应的虚拟环境后，安装的软件也就被删除了。
最终自己创建并使用虚拟环境如下：
KITTI3D目标检测数据集
- KITTI原始3D对象预测数据集：
-
- KITTI 3D目标检测数据集解析（完整版）_kitti数据集-CSDN博客
- 百度网盘 请输入提取码 提取码：hsg5.
- KITTI数据集下载（百度云）-CSDN博客
CenterPoint-KITTI编译遇到问题合集
ImportError: cannot import name 'VoxelGenerator' from 'spconv.utils
失败案例
搜索上述错误，有很多种其他参考参考，但修改代码后，又报了很多错误，如下：最终也是卸载，并安装对应版本解决。
第一次参考这篇博客，修改对应代码，大错特错，随后错误一个接着一个，直接干沉默了。
SSD 复现过程报错_importerror: cannot import name ‘voxelgenerator’ f-CSDN博客
ValueError: setting an array element with a sequence. The requested array has an inhomogeneous shape after 2 dimensions. The detected shape was (1, 4) + inhomogeneous part. · Issue #1109 · theislab/scvelo
成功解决ValueError: setting an array element with a sequence. The requested array has an...-CSDN博客
最终解决方案
如何解决，最终卸载了cuda11.8对应的spconv，将其替换为Git官网上对应的v1.1版本完美解决。
自己搜索过程中查询到另一篇Github博客所讲，将低版本在这里也就是v1.1版本的VoxelGeneratorV2的相关文件复制一份放到你安装的spconv文件中，这种方式我并没有尝试，使用重新安装v1.1的方式。
1. 查看并卸载已经安装的spconv：
#通过pip list命令查看安装的spconv以及cumm
pip list | grep spconv
pip list | grep cumm
#查询到对应的spconv以及cumm版本后使用uninstall命令卸载（这种方式仅针对于使用pip方式安装的）
pip uninstall spconv
pip uninstall cumm
#卸载后再次查看已经没有安装的spconv以及cumm根据官方网站查看：对于cuda11.8如果使用下述方式安装是会有cumm的，自己第一次安装了cuda11.8对应的spconv，下面安装了v1.1版本就没有cumm了，所有安装后验证是否安装正确，没有出现cumm也不用慌，可以正常使用。
2. 从sponv官网拉取对应v1.1版本的spconv：
git clone -b v1.1 https://github.com/traveller59/spconv.git --recurisve-b v1.1：指定了拉取对应v1.1版本的spconv。
--recursive： 这个选项用于克隆所有子模块（submodule）。Git 子模块是指在 Git 仓库中嵌套的另一个 Git 仓库。使用
--recursive选项可以确保在克隆主仓库的同时，也会递归地克隆所有子模块。
安装步骤：（参考官网）
- if you are using pytorch 1.4+ and encounter "nvcc fatal: unknown -Wall", you need to go to torch package dir and remove flags contains "-Wall" in INTERFACE_COMPILE_OPTIONS in Caffe2Targets.cmake. This problem can't be fixed in this project (to avoid this, I need to remove all torch dependency in cuda sources and drop half support).
Use
git clone xxx.git --recursiveto clone this repo.Install boost headers to your system include path, you can use either
sudo apt-get install libboost-all-devor download compressed files from boost official website and copy headers to include path.Download cmake >= 3.13.2, then add cmake executables to PATH.
Ensure you have installed pytorch 1.0+ in your environment, run
python setup.py bdist_wheel(don't usepython setup.py install).Run
cd ./dist, use pip to install generated whl file.
第5步执行完成后，在dist目录下会生成一个文件（参考如下），执行下述命令安装spconv v1.1：
pip install spconv-1.1-cp38-cp38-linux_x86_64.whlGitHub - traveller59/spconv at v1.1
3. 验证是否安装成功：
由于我使用的时python的虚拟环境，最终安装的软件都位于venv这个虚拟环境中，按照下图第一个方框里的内容找到对应的路径查看有VoxelGeneratorV2这个类，表示成功。
对于可选参数，road plane的处理
进入对应的数据配置文件和模型配置文件，将USE_ROAD_PLANE: 由True改为False。
E: Unable to locate package libboost-all-dev
对于无法定位到软件包的问题，直接使用sudo apt-get update先更新下载源，之后再重试即可。
sudo apt-get update
sudo apt-get install libboost-all-devE: Unable to locate package libboost-all-dev_unable to locate package libboost-dev-CSDN博客
TypeError: load() missing 1 required positional argument: ‘Loader‘
解决方案：TypeError: load() missing 1 required positional argument: ‘Loader‘_typeerror: adb() missing 1 required positional arg-CSDN博客
- 将yaml.load()改为 yaml.safe_load()即可解决。
GPU内存不足如何解决：
直接搜索相应博客，我的解决方案就是将batch_size大小指定为2，也就是批量大小指定为2就可以，对于KITTI的CenterPoint的训练。
pytorch: 四种方法解决RuntimeError: CUDA out of memory. Tried to allocate ... MiB_cuda out of memory. tried to allocate 1.38 gib (gp-CSDN博客
- 如何实时查看GPU使用情况，使用命令：watch -n 0.5 nvidia-smi。
watch是一个在 Unix 和类 Unix 操作系统中常用的命令行工具，它可以用来周期性地执行一个程序，并全屏显示其输出。这对于实时监控某些操作或系统状态非常有用。watch：这是用来执行周期性命令的工具。-n 0.5：这个选项告诉watch每 0.5 秒执行一次后面的命令。-n后面的数字是间隔时间，单位是秒。
训练效果
=========================================================================
2024-09-13更新
昨天经过漫长时间的训练，模型已经训练成功，但是模型评估的时候出了点小问题：可以参考下面第二个图片，主要是编译的时候修改了numpa好像（具体忘记记录了），但这个问题不大，直接卸载原有的numpy，安装报错指定的numpy就可以。
pip unstall numpy
pip install numpy==1.22.0安装新版本的numpy后可以对训练出的.pth结尾的模型进行验证。
训练后模型的存放位置：在CenterPouint-KITTI根目录下的output文件夹中，具体参考下图。
根据官网GETTING_STARTED.md提示测试训练的模型：
修改了numpy版本后测试没问题了，这里就不贴图片了。
训练完成之后最重要的也就是按照DEMO.md的提示进行可视化验证：
按照官网提示安装mayavi的同时需要安装pyqt5工具：
pip install pyqt5否则会报如下错误：
上述工作完成后，执行如下命令：
#官网提示
python demo.py --cfg_file cfgs/kitti_models/pv_rcnn.yaml \--ckpt pv_rcnn_8369.pth \--data_path ${POINT_CLOUD_DATA}#example for me
python3 demo.py --cfg_file cfgs/kitti_models/centerpoint.yaml --ckpt ../output/kitti_models/centerpoint/default/ckpt/checkpoint_epoch_51.pth --data_path ~/Lab/object_detector/CenterPoint-KITTI/data/kitti/testing/velodyne之后通过可视化界面可以看到如下预测：
和官网模型基本一致，非常nice，后续继续探索一下和LIMOT的集成。