https://github.com/open-mmlab/OpenPCDet
要求
所有代码均在以下环境中经过测试：
- Linux（已在Ubuntu 14.04 / 16.04上测试）
- Python 3.6以上
- PyTorch 1.1或更高版本（在PyTorch 1.1、1,3、1,5上测试）
- CUDA 9.0或更高版本（PyTorch 1.3+需要CUDA 9.2+）
- [
spconv v1.0（commit 8da6f96）]（https://github.com/traveller59/spconv/tree/8da6f967fb9a054d8870c3515b1b44eca2103634）或[spconv v1.2]（https://github.com/traveller59/ spconv）
安装spconv1.2.1
git clone https://github.com/traveller59/spconv.git --recursive
cd spconv
python setup.py bdist_wheel
查看dist文件夹中生成的whl文件
cd ./dist
ls
安装该文件
pip install spconv-1.2.1-cp27-cp27-linux_x86_64.whl #换成自己的whl文件名字
检验
检验spconv是否安装成功，无报错即可
python
import spconv
安装pcdet v0.3
注意：即使已经安装了以前的版本，也请通过运行python setup.pydevelop重新安装pcdet v0.3。
a 克隆此存储库。
git clone https://github.com/open-mmlab/OpenPCDet.git
b 如下安装依赖库：
进入到OpenPCDet目录下，安装所有依赖
cd OpenPCDet
pip install -r requirements.txt
可能会超时，Read timed out，解决办法：
下载命令后添加参数–default-timeout=1000
pip install -r requirements.txt --default-timeout=1000
c。通过运行以下命令来安装该pcdet库：
sudo python setup.py develop
检验是否安装成功，无报错即可
python
import pcdet
快速演示
在这里，我们提供了一个快速演示，可以在自定义点云数据上测试预训练的模型并可视化预测结果。
我们假设您已经按照INSTALL.md OpenPCDet成功安装了存储库。
- 下载所提供的预训练模型，如README.md所示。
- 确保您已经安装了mayavi可视化工具。如果没有，您可以按以下方式安装它：
pip install mayavi
3、 准备您的自定义点云数据（如果使用原始的KITTI数据，请跳过此步骤）。
- 您需要将自定义点云的坐标转换为的统一标准坐标OpenPCDet，即x轴指向正面方向，y轴指向左侧方向，z轴指向顶部方向。
- （可选）您的点云坐标的z轴原点应在地面上方约1.6m，因为当前提供的模型是在KITTI数据集上进行训练的。
- 设置强度信息，并将转换后的自定义数据保存到numpy file：
＃转换您的点云数据
...
＃将其保存到文件中。
＃点的形状应为（num_points，4），即[x，y，z，强度]（仅适用于KITTI数据集）。
＃如果您没有强度信息，只需将其设置为零即可。
＃如果有强度信息，则应将其标准化为[0，1]。
点[：，3 ] = 0
np。保存（`my_data.npy`，points）
4、 使用预训练的模型（例如PV-RCNN）和您的自定义点云数据运行演示，如下所示：
python demo.py --cfg_file cfgs / kitti_models / pv_rcnn.yaml \
--ckpt pv_rcnn_8369.pth \
--data_path $ {POINT_CLOUD_DATA}
这${POINT_CLOUD_DATA}可能是以下格式：
- 使用单个numpy文件（如）转换的自定义数据
my_data.npy。 - 带有目录的转换后的自定义数据可用于测试多个点云数据。
- 内的原始KITTI
.bin数据data/kitti，例如data/kitti/training/velodyne/000008.bin。
例如：
python demo.py --cfg_file cfgs/kitti_models/pv_rcnn.yaml --ckpt pv_rcnn_8369.pth --data_path ../data/kitti/testing/velodyne/000008.bin
然后，您可以使用可视化点云查看预测结果，如下所示：