MMDetection3D 三维目标检测框架入门指南

【免费下载链接】mmdetection3d OpenMMLab's next-generation platform for general 3D object detection. 项目地址: https://gitcode.com/gh_mirrors/mm/mmdetection3d

前言

MMDetection3D 是一个基于 PyTorch 的开源三维目标检测框架，专注于点云和三维视觉任务。作为 OpenMMLab 生态系统的重要组成部分，它提供了丰富的算法实现和模块化设计，能够帮助研究者和开发者快速搭建和训练三维目标检测模型。

环境准备

系统要求

MMDetection3D 支持以下操作系统：

• Linux（推荐）
• Windows（实验性支持）
• macOS

软件依赖

需要满足以下基础软件要求：

• Python 3.7+
• PyTorch 1.8+
• CUDA 10.0+（如需GPU加速）

环境配置步骤

1. 安装 Miniconda
   建议使用 Miniconda 管理 Python 环境，可以从官方网站下载对应版本。

2. 创建并激活 Conda 环境

   conda create --name mmdet3d python=3.8 -y
   conda activate mmdet3d
   

3. 安装 PyTorch
   根据硬件平台选择安装命令：

   GPU 平台：

   conda install pytorch torchvision -c pytorch
   

   CPU 平台：

   conda install pytorch torchvision cpuonly -c pytorch
   

安装 MMDetection3D

推荐安装方式

1. 安装基础依赖

   pip install -U openmim
   mim install mmengine
   mim install 'mmcv>=2.0.0rc4'
   mim install 'mmdet>=3.0.0'
   

   注意：MMCV 2.x 版本中，mmcv-full 已更名为 mmcv。如需轻量版可使用 mim install "mmcv-lite>=2.0.0rc4"

2. 安装 MMDetection3D

   有两种安装方式可选：

   从源码安装（推荐开发使用）

   git clone -b dev-1.x mmdetection3d
   cd mmdetection3d
   pip install -v -e .
   

   作为第三方包安装

   mim install "mmdet3d>=1.1.0"
   

可选依赖安装

MMDetection3D 支持多种稀疏卷积后端，可根据需求选择安装：

1. SpConv 2.0
   更节省显存的稀疏卷积实现：

   pip install cumm-cuxxx
   pip install spconv-cuxxx
   

   其中 xxx 替换为 CUDA 版本号（如 10.2、11.1 等）

2. Minkowski Engine
   另一种稀疏卷积后端：

   conda install openblas-devel -c anaconda
   export CPLUS_INCLUDE_PATH=${CPLUS_INCLUDE_PATH}:${CONDA_PREFIX}/include
   pip install -U MinkowskiEngine
   

3. Torchsparse
   轻量级稀疏卷积库：

   conda install -c bioconda sparsehash
   export CPLUS_INCLUDE_PATH=${CPLUS_INCLUDE_PATH}:${CONDA_PREFIX}/include
   pip install --upgrade torchsparse
   

验证安装

下载预训练模型

mim download mmdet3d --config pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car --dest .

运行推理演示

1. 源码安装方式

   python demo/pcd_demo.py demo/data/kitti/000008.bin \
       pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car.py \
       hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20220331_134606-d42d15ed.pth \
       --show
   

2. API 调用方式

   from mmdet3d.apis import init_model, inference_detector
   
   model = init_model('pointpillars_hv_secfpn_8xb6-160e_kitti-3d-car.py', 
                     'hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20220331_134606-d42d15ed.pth')
   result = inference_detector(model, 'demo/data/kitti/000008.bin')
   

数据格式转换

MMDetection3D 主要使用 .bin 格式的点云数据。如需转换其他格式：

1. PLY 转 BIN

   def convert_ply(input_path, output_path):
       plydata = PlyData.read(input_path)
       data = plydata.elements[0].data
       data_pd = pd.DataFrame(data)
       data_np = np.zeros(data_pd.shape, dtype=np.float)
       for i, name in enumerate(data[0].dtype.names):
           data_np[:, i] = data_pd[name]
       data_np.astype(np.float32).tofile(output_path)
   

2. OBJ/OFF 转 PLY

   def to_ply(input_path, output_path, original_type):
       mesh = trimesh.load(input_path, file_type=original_type)
       mesh.export(output_path, file_type='ply')
   

高级安装配置

CUDA 版本选择建议

• Ampere 架构显卡（如 RTX 30 系列、A100）：必须使用 CUDA 11+
• 旧款 NVIDIA 显卡：CUDA 10.2 兼容性更好

不使用 MIM 安装

1. 安装 MMEngine

   pip install mmengine
   

2. 安装 MMCV

   pip install "mmcv>=2.0.0rc4" -f https://download.openmmlab.com/mmcv/dist/cu116/torch1.12.0/index.html
   

Docker 支持

提供预构建的 Docker 镜像：

docker build -t mmdetection3d docker/
docker run --gpus all --shm-size=8g -it -v ${DATA_DIR}:/mmdetection3d/data mmdetection3d

常见问题

1. CPU 环境支持
   目前不支持纯 CPU 环境编译。

2. 多版本共存
   训练和测试脚本已自动处理 Python 路径，确保使用正确的版本。如需修改，可调整脚本中的 PYTHONPATH 设置。

3. 显示问题
   无显示设备的服务器可省略 --show 参数，结果将保存为 JSON 文件。

通过本指南，您应该已经完成了 MMDetection3D 的安装和基础验证。接下来可以开始探索框架提供的丰富算法和工具，构建自己的三维目标检测应用。

【免费下载链接】mmdetection3d OpenMMLab's next-generation platform for general 3D object detection. 项目地址: https://gitcode.com/gh_mirrors/mm/mmdetection3d