【单目3D目标检测】SMOKE论文解析与代码复现-Toy模板网

这篇具有很好参考价值的文章主要介绍了【单目3D目标检测】SMOKE论文解析与代码复现。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

yacs

在正篇之前，有必要先了解一下yacs库，因为SMOKE源码的参数配置文件，都是基于yacs库建立起来的，不学看不懂啊！！！！

Introduction

yacs是一个用于定义和管理参数配置的库（例如用于训练模型的超参数或可配置模型超参数等）。yacs使用yaml文件来配置参数。另外，yacs是在py-fast -rcnn和Detectron中使用的实验配置系统中发展起来的

Usage

安装

pip install yacs

创建defaults.py文件，然后导入包

from yacs.config import CfgNode as CN

创建CN()容器来装载参数，并添加需要的参数

from yacs.config import CfgNode as CN
__C = CN()
__C.name = 'test'
__C.model = CN()  # 嵌套使用
__C.model.backbone = 'resnet'
__C.model.depth = 18

print(__C)  
'''
  name: test
  model:
      backbone: resnet
      depth: 18
'''

merge_from_file()

使用merge_from_file()这个方法，会将默认参数与特定参数不同的部分，用特定参数覆盖

__C.merge_from_file("./test_config.yaml")

来自SMOKE官方源码中的defaults.py示例（默认参数）：

import os

from yacs.config import CfgNode as CN

# -----------------------------------------------------------------------------
# Config definition
# -----------------------------------------------------------------------------

_C = CN()
_C.MODEL = CN()
_C.MODEL.SMOKE_ON = True
_C.MODEL.DEVICE = "cuda"
_C.MODEL.WEIGHT = ""

# -----------------------------------------------------------------------------
# INPUT
# -----------------------------------------------------------------------------

_C.INPUT = CN()
# Size of the smallest side of the image during training
_C.INPUT.HEIGHT_TRAIN = 384
# Maximum size of the side of the image during training
_C.INPUT.WIDTH_TRAIN = 1280
# Size of the smallest side of the image during testing
_C.INPUT.HEIGHT_TEST = 384
# Maximum size of the side of the image during testing
_C.INPUT.WIDTH_TEST = 1280
# Values to be used for image normalization
_C.INPUT.PIXEL_MEAN = [0.485, 0.456, 0.406]  # kitti
# Values to be used for image normalization
_C.INPUT.PIXEL_STD = [0.229, 0.224, 0.225]  # kitti
# Convert image to BGR format
_C.INPUT.TO_BGR = True
# Flip probability
_C.INPUT.FLIP_PROB_TRAIN = 0.5
# Shift and scale probability
_C.INPUT.SHIFT_SCALE_PROB_TRAIN = 0.3
_C.INPUT.SHIFT_SCALE_TRAIN = (0.2, 0.4)

# -----------------------------------------------------------------------------
# Dataset
# -----------------------------------------------------------------------------
_C.DATASETS = CN()
# List of the dataset names for training, as present in paths_catalog.py
_C.DATASETS.TRAIN = ()
# List of the dataset names for testing, as present in paths_catalog.py
_C.DATASETS.TEST = ()
# train split tor dataset
_C.DATASETS.TRAIN_SPLIT = ""
# test split for dataset
_C.DATASETS.TEST_SPLIT = ""
_C.DATASETS.DETECT_CLASSES = ("Car",)
_C.DATASETS.MAX_OBJECTS = 30

# -----------------------------------------------------------------------------
# DataLoader
# -----------------------------------------------------------------------------
_C.DATALOADER = CN()
# Number of data loading threads
_C.DATALOADER.NUM_WORKERS = 4
# If > 0, this enforces that each collated batch should have a size divisible
# by SIZE_DIVISIBILITY
_C.DATALOADER.SIZE_DIVISIBILITY = 0
# If True, each batch should contain only images for which the aspect ratio
# is compatible. This groups portrait images together, and landscape images
# are not batched with portrait images.
_C.DATALOADER.ASPECT_RATIO_GROUPING = False

# ---------------------------------------------------------------------------- #
# Backbone options
# ---------------------------------------------------------------------------- #
_C.MODEL.BACKBONE = CN()

# The backbone conv body to use
# The string must match a function that is imported in modeling.model_builder
_C.MODEL.BACKBONE.CONV_BODY = "DLA-34-DCN"

# Add StopGrad at a specified stage so the bottom layers are frozen
_C.MODEL.BACKBONE.FREEZE_CONV_BODY_AT = 0
# Normalization for backbone
_C.MODEL.BACKBONE.USE_NORMALIZATION = "GN"
_C.MODEL.BACKBONE.DOWN_RATIO = 4
_C.MODEL.BACKBONE.BACKBONE_OUT_CHANNELS = 64

# ---------------------------------------------------------------------------- #
# Group Norm options
# ---------------------------------------------------------------------------- #
_C.MODEL.GROUP_NORM = CN()
# Number of dimensions per group in GroupNorm (-1 if using NUM_GROUPS)
_C.MODEL.GROUP_NORM.DIM_PER_GP = -1
# Number of groups in GroupNorm (-1 if using DIM_PER_GP)
_C.MODEL.GROUP_NORM.NUM_GROUPS = 32
# GroupNorm's small constant in the denominator
_C.MODEL.GROUP_NORM.EPSILON = 1e-5

# ---------------------------------------------------------------------------- #
# Heatmap Head options
# ---------------------------------------------------------------------------- #

# --------------------------SMOKE Head--------------------------------
_C.MODEL.SMOKE_HEAD = CN()
_C.MODEL.SMOKE_HEAD.PREDICTOR = "SMOKEPredictor"
_C.MODEL.SMOKE_HEAD.LOSS_TYPE = ("FocalLoss", "DisL1")
_C.MODEL.SMOKE_HEAD.LOSS_ALPHA = 2
_C.MODEL.SMOKE_HEAD.LOSS_BETA = 4
# Channels for regression
_C.MODEL.SMOKE_HEAD.REGRESSION_HEADS = 8
# Specific channel for (depth_offset, keypoint_offset, dimension_offset, orientation)
_C.MODEL.SMOKE_HEAD.REGRESSION_CHANNEL = (1, 2, 3, 2)
_C.MODEL.SMOKE_HEAD.USE_NORMALIZATION = "GN"
_C.MODEL.SMOKE_HEAD.NUM_CHANNEL = 256
# Loss weight for hm and reg loss
_C.MODEL.SMOKE_HEAD.LOSS_WEIGHT = (1., 10.)
# Reference car size in (length, height, width)
# for (car, cyclist, pedestrian)
_C.MODEL.SMOKE_HEAD.DIMENSION_REFERENCE = ((3.88, 1.63, 1.53),
                                           (1.78, 1.70, 0.58),
                                           (0.88, 1.73, 0.67))
# Reference depth
_C.MODEL.SMOKE_HEAD.DEPTH_REFERENCE = (28.01, 16.32)
_C.MODEL.SMOKE_HEAD.USE_NMS = False

# ---------------------------------------------------------------------------- #
# Solver
# ---------------------------------------------------------------------------- #
_C.SOLVER = CN()
_C.SOLVER.OPTIMIZER = "Adam"
_C.SOLVER.MAX_ITERATION = 14500
_C.SOLVER.STEPS = (5850, 9350)

_C.SOLVER.BASE_LR = 0.00025
_C.SOLVER.BIAS_LR_FACTOR = 2
_C.SOLVER.LOAD_OPTIMIZER_SCHEDULER = True

_C.SOLVER.CHECKPOINT_PERIOD = 20
_C.SOLVER.EVALUATE_PERIOD = 20

# Number of images per batch
# This is global, so if we have 8 GPUs and IMS_PER_BATCH = 16, each GPU will
# see 2 images per batch
_C.SOLVER.IMS_PER_BATCH = 32
_C.SOLVER.MASTER_BATCH = -1

# ---------------------------------------------------------------------------- #
# Test
# ---------------------------------------------------------------------------- #
_C.TEST = CN()
# Number of images per batch
# This is global, so if we have 8 GPUs and IMS_PER_BATCH = 16, each GPU will
# see 2 images per batch
_C.TEST.SINGLE_GPU_TEST = True
_C.TEST.IMS_PER_BATCH = 1
_C.TEST.PRED_2D = True

# Number of detections per image
_C.TEST.DETECTIONS_PER_IMG = 50
_C.TEST.DETECTIONS_THRESHOLD = 0.25


# ---------------------------------------------------------------------------- #
# Misc options
# ---------------------------------------------------------------------------- #
# Directory where output files are written
_C.OUTPUT_DIR = "./output/exp"
# Set seed to negative to fully randomize everything.
# Set seed to positive to use a fixed seed. Note that a fixed seed does not
# guarantee fully deterministic behavior.
_C.SEED = -1
# Benchmark different cudnn algorithms.
# If input images have very different sizes, this option will have large overhead
# for about 10k iterations. It usually hurts total time, but can benefit for certain models.
# If input images have the same or similar sizes, benchmark is often helpful.
_C.CUDNN_BENCHMARK = True

_C.PATHS_CATALOG = os.path.join(os.path.dirname(__file__), "paths_catalog.py")

来自SMOKE官方源码中的smoke_gn_vector.yaml示例（特定参数）：

MODEL:
  WEIGHT: "catalog://ImageNetPretrained/DLA34"
INPUT:
  FLIP_PROB_TRAIN: 0.5
  SHIFT_SCALE_PROB_TRAIN: 0.3
DATASETS:
  DETECT_CLASSES: ("Car", "Cyclist", "Pedestrian")
  TRAIN: ("kitti_train",)
  TEST: ("kitti_test",)
  TRAIN_SPLIT: "trainval"
  TEST_SPLIT: "test"
SOLVER:
  BASE_LR: 2.5e-4
  STEPS: (10000, 18000)
  MAX_ITERATION: 25000
  IMS_PER_BATCH: 32

SMOKE

Preface

Liu, Z C, Wu Z Z, Tóth R. Smoke: Single-stage monocular 3d object detection via keypoint estimation[C]. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020: 996-997.
Paper
Official Code
MMDetection3D Code

Abstract

SMOKE是一个One-Stage的单目3D检测模型，它认为2D检测对于单目3D检测任务来说是冗余的，且会引入噪声影响3D检测性能，所以直接用关键点预测和3D框回归的方式，将每个物体与单个关键点配对，结合单个关键点估计和回归的三维变量来预测每个被检测物体的三维边界框。

Contributions

消除2D检测分支，估计投影在图像平面上的3D关键点
为3D边界盒回归提供了一种多步骤解纠缠方法，分离3D包围盒编码阶段和回归损失函数中每个参数的贡献，有助于有效地训练整个网络

Pipeline

输入图像经过DLA-34网络进行特征提取，之后送入两个检测分支：关键点预测分支和3D边界框回归分支

关键点预测分支来定位前景目标，关键点分支输出的分辨率为 $H/4 \times W/4\times C$ ， $C$ 表示数据集中前景目标的类别个数
3D边界框回归分支输出的分辨率为 $H/4 \times W/4\times 8$ ，表示描述3D边界框的参数有8个

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能

Backbone

主干网络采用带有可变形卷积DCN(Deformable Convolution Network)以及GN(GroupNorm)标准化的DLA-34网络（与CenterNet类似）提取特征，网络输出分辨率为输入分辨率的四分之一。论文中采用DLA-34作为主干网络进行特征提取，以便对不同层之间的特征进行聚合。网络中主要做了两点改动如下：

将所有的分层聚合连接替换为可变形卷积
将所有的BN层用GN(GroupNorm)替换，因为GN对batch size大小不敏感，且对训练噪声更鲁棒，作者在实验部分也对这一点进行了验证

Head Branch

SMOKE的检测网络主要包括关键点检测、3D边界框回归分支

在关键点分支中，图像中的每一个目标用一个关键点进行表示。这里的关键点被定义为目标3D框的中心点在图像平面上的投影点，而不是目标的2D框中心点。如下图所示，红色点是目标的2D框中心点，橙色点是3D框的中心点在图像平面上的投影点

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能

3D框回归用于预测与构建3D边界框相关的信息，该信息可以表示为一个8元组：
$\tau = (\delta_z, \delta_{x_c},\delta_{y_c},\delta_h,\delta_w,\delta_l,sin\alpha,cos\alpha)^T$
其中各参数含义如下：
- $\delta_z$ ：表示目标的深度偏移量
- $\delta_{x_c}$ ：表示特征图的关键点坐标x方向的偏移量
- $\delta_{y_c}$ ：表示特征图的关键点坐标y方向的偏移量
- $\delta_h,\delta_w,\delta_l$ ：表示目标体积值的残差
- $sin\alpha,cos\alpha$ ：表示目标旋转角得向量化表示
由于网络中进行了特征图下采样，下采样后的特征图上的关键点坐标基于预定义的关键点坐标执行离散化下采样得到，但是这样计算出来的关键点坐标会存在误差，因此论文中设置了两个预测量 $\delta_{x_c}$ 和 $\delta_{y_c}$

Orientation

SMOKE里的方向预测算是比较麻烦的，详细的推导可以参考这两篇博客：

refer1
refer2

这里说一下我的理解：

在KITTI的相机坐标系中的偏航角为 $r_y$ ，观测角为 $\alpha$ ，二者的关系为： $r_y=\alpha+arctan(x/z)$ ，其中X轴正方向方向为0°，Z轴正方向为-90°
SMOKE中自己定义了关于方向的坐标系，以目标前进方向为X轴，左侧为Z轴建立坐标系，方向为【从目标和相机连接线，向Z轴或者X轴为正方向】
SMOKE中定义的偏航角为：
$\theta=\alpha_z +\arctan(\frac{x}{z})$
其中，该公式与KITTI中的角度对应关系为
$\begin{aligned} \theta & \Leftrightarrow r_y \\ \alpha_z & \Leftrightarrow \alpha \end{aligned}$
具体的推导可以参考下图：

Loss

SMOKE的损失函数，包括关键点分类损失函数+3D边界框回归损失函数

关键点分类损失函数 $L_\mathrm{cls}$ 借鉴了CornerNet与CenterNet中的带惩罚因子的Focal Loss，引入了高斯核对关键点真值附近的点也分配了监督信号进行约束
3D边界框回归损失函数 $L_\mathrm{reg}$ 借鉴了“Disentangling Monocular 3D Object Detection”中所提出的解耦训练的方式，回归的对象是3D边界框的 $(\delta_z, \quad \delta_{x_c},\quad \delta_{y_c},\quad \delta_h\quad,\delta_w\quad,\delta_l\quad,sin\alpha\quad, cos\alpha)$ 八个参数，损失函数使用L1 Loss，3D边界框回归损失定义为：
$L_{\mathrm{reg}}=\frac{\lambda}{N}\|\hat{B}-B\|_1$
其中 $\hat{B}$ 为预测值， $B$ 为真实值， $\frac{\lambda}{N}$ 系数是用作调节回归损失和关键点分类损失的占比的
总的损失函数为：
$L=L_{\mathrm{cls}}+\sum_{i=1}^3 L_{\mathrm{reg}}(\hat{B}_i)$

Run Code

SMOKE算法的源码主要有两个版本：

作者官方维护的源码：https://github.com/lzccccc/SMOKE
OpenMMLab复现的MMDetection3D版本：https://github.com/open-mmlab/mmdetection3d

根据本人实际使用的情况看，直接上手MMDetection3D版本就行（确实好用），官方版本目前只能实现训练和简单测试（还要额外添加其他库），很多功能还不完善，有兴趣的小伙伴可以尝试学习一下，就当做锻炼自己看代码的能力了

MMDetection3D版本（推荐）

https://github.com/open-mmlab/mmdetection3d

1、创建环境

# 在Anaconda中新建虚拟环境
conda create -n mmdet3d python=3.7 -y
conda activate mmdet3d

# 安装最新的PyTorch版本
conda install -c pytorch pytorch torchvision -y

# install mmcv
pip install mmcv-full

# install mmdetection
pip install git+https://github.com/open-mmlab/mmdetection.git

# install mmsegmentation
pip install git+https://github.com/open-mmlab/mmsegmentation.git

# install mmdetection3d
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -v -e . # or "python setup.py develop"
# -v：verbose, or more output
# -e：editable，修改本地文件，调用的模块以最新文件为准

2、kitti数据集准备

参考官方教程：3D 目标检测 KITTI 数据集

3、修改参数

数据集路径：打开/mmdetection3d/configs/_base_/datasets/kitti-mono3d.py文件，修改data_root = '/your_datasets_root'
训练参数：打开/mmdetection3d/configs/smoke/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d.py文件，按需修改参数（例如修改max_epochs、保存权重的间隔数等等）

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能

4、训练

配置好环境、数据集、参数之后，就可以直接进行训练（以多卡训练为例）：

CUDA_VISIBLE_DEVICES=0,1,2,3 tools/dist_train.sh configs/smoke/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d.py 4

这里没有指定保存路径，默认保存至/mmdetection3d/work_dirs/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d/文件夹中

6、测试及可视化

直接在命令行输入以下命令即可：

[必选参数] config：配置文件
[必选参数] checkpoint：训练生成的权重文件
show：可视化
show-dir：指定可视化结果生成的路径

python tools/test.py configs/smoke/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d.py work_dirs/smoke_dla34_pytorch_dlaneck_gn-all_8x4_6x_kitti-mono3d/latest.pth --show --show-dir ./outputs/smoke/smoke_kitti_72e

结果如下所示：
单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能
6、友情提示

目前对于SMOKE算法来说，是不可以通过改变score_thr参数，来调节可视化输出的3D框数量，原因是SMOKE的检测头SMOKEMono3D继承自SingleStageMono3DDetector：

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能
而在SingleStageMono3DDetector类中，还未实现score_thr参数的调节功能（这个bug让我一顿好找o(╥﹏╥)o）

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能

官方版本（可选）

https://github.com/lzccccc/SMOKE

1、创建环境

conda create -n smoke python=3.7 -y
conda activate smoke
pip install torch==1.4.0 torchvision==0.5.0
git clone https://github.com/lzccccc/SMOKE
cd smoke
python setup.py build develop

2、添加安装库文件：在smoke主目录下，新建requirements.txt文件，并写入以下安装包信息：

shapely
tqdm
tensorboard
tensorboardX
scikit-image
matplotlib
yacs
pyyaml
fire
pycocotools
fvcore
opencv-python
numba
inplace_abn

之后在命令行执行pip install -r requirements.txt进行安装

3、KITTI数据集下载及配置

具体下载步骤可参考这篇博客：【MMDetection3D】环境搭建，使用PointPillers训练&测试&可视化KITTI数据集，下载完成后，将数据集按照以下结构进行组织：

kitti
│──training
│    ├──calib 
│    ├──label_2 
│    ├──image_2
│    └──ImageSets
└──testing
     ├──calib 
     ├──image_2
     └──ImageSets

4、修改数据集路径

方式一：软连接下载好的kitti数据集到datasets文件夹中，之后就不用管啦，默认路径就是datasets/kitti/，但是这种方式在之后的测试阶段会出现找不到文件的情况

mkdir datasets
ln -s /path_to_kitti_dataset datasets/kitti

方式二（推荐）：打开/smoke/smoke/config/paths_catalog.py，直接修改数据集路径

class DatasetCatalog():
    DATA_DIR = "your_datasets_root/"
    DATASETS = {
        "kitti_train": {
            "root": "kitti/training/",
        },
        "kitti_test": {
            "root": "kitti/testing/",
        },
    }

5、修改训练设置（可选）
打开/smoke/configs/smoke_gn_vector.yaml文件，可以修改一些训练参数，比如训练迭代次数、batchsize等：

# 模型设置
MODEL:
  WEIGHT: "catalog://ImageNetPretrained/DLA34"
# 数据集设置
INPUT:
  FLIP_PROB_TRAIN: 0.5
  SHIFT_SCALE_PROB_TRAIN: 0.3
DATASETS:
  DETECT_CLASSES: ("Car", "Cyclist", "Pedestrian")
  TRAIN: ("kitti_train",)
  TEST: ("kitti_test",)
  TRAIN_SPLIT: "trainval"
  TEST_SPLIT: "test"
# 训练参数设置
SOLVER:
  BASE_LR: 2.5e-4
  STEPS: (10000, 15000)
  MAX_ITERATION: 20000  # 迭代次数
  IMS_PER_BATCH: 8  # 所有GPU的batch_size

6、全部参数设置
打开/smoke/smoke/config/defaults.py文件，可以修改全部配置参数，包括数据集输入、处理、模型结构、训练、测试等参数。这个文件最好不要动，如果要修改参数，就去上一步的smoke_gn_vector.yaml文件中进行修改。比如要修改训练、测试结果保存的路径，可以在最后直接加入：

# 模型设置
MODEL:
  WEIGHT: "catalog://ImageNetPretrained/DLA34"
# 数据集设置
INPUT:
  FLIP_PROB_TRAIN: 0.5
  SHIFT_SCALE_PROB_TRAIN: 0.3
DATASETS:
  DETECT_CLASSES: ("Car", "Cyclist", "Pedestrian")
  TRAIN: ("kitti_train",)
  TEST: ("kitti_test",)
  TRAIN_SPLIT: "trainval"
  TEST_SPLIT: "test"
# 训练参数设置
SOLVER:
  BASE_LR: 2.5e-4
  STEPS: (10000, 15000)
  MAX_ITERATION: 20000  # 迭代次数
  IMS_PER_BATCH: 8  # 所有GPU的batch_size
# 输出保存路径
OUTPUT_DIR: "./output/exp"

7、开始训练

单GPU训练：

python tools/plain_train_net.py --config-file "configs/smoke_gn_vector.yaml"

多GPU训练：

python tools/plain_train_net.py --num-gpus 4 --config-file "configs/smoke_gn_vector.yaml"

第一次训练，会自动下载预训练权重dla34-ba72cf86.pth，因为要翻墙，所以下载很慢，大家可以从这里直接下载到本地，然后上传到/root/.torch/models/dla34-ba72cf86.pth即可

8、测试

SMOKE官方源码在测试时会有很多问题，作者在这篇issue中给出了解决方案：

You need to put offline kitti eval code under the folder “/smoke/data/datasets/evaluation/kitti/kitti_eval”
if you are using the train/val split. It will compile it automatically and evaluate the performance.
The eval code can be found here:
https://github.com/prclibo/kitti_eval (for 11 recall points)
https://github.com/lzccccc/kitti_eval_offline (for 40 recall points)

However, if you are using the trainval (namely the whole training set), there is no need to evaluate it offline. You need to log in to the kitti webset and submit your result.

具体的测试步骤如下：

下载kitti_eval到/smoke/smoke/data/datasets/evaluation/kitti/文件夹中
修改测试集设置：打开/smoke/configs/smoke_gn_vector.yaml文件，将DATASETS部分修改为：

DATASETS:
  DETECT_CLASSES: ("Car", "Cyclist", "Pedestrian")
  TRAIN: ("kitti_train",)
  TEST: ("kitti_train",)
  TRAIN_SPLIT: "train"
  TEST_SPLIT: "val"

修改/smoke/smoke/data/datasets/evaluation/kitti/kitti_eval.py文件中的do_kitti_detection_evaluation函数：

def do_kitti_detection_evaluation(dataset,
                                  predictions,
                                  output_folder,
                                  logger
                                  ):
    predict_folder = os.path.join(output_folder, 'data')  # only recognize data
    mkdir(predict_folder)

    for image_id, prediction in predictions.items():
        predict_txt = image_id + '.txt'
        predict_txt = os.path.join(predict_folder, predict_txt)

        generate_kitti_3d_detection(prediction, predict_txt)

    logger.info("Evaluate on KITTI dataset")
    output_dir = os.path.abspath(output_folder)
    os.chdir('./smoke/data/datasets/evaluation/kitti/kitti_eval')
    # os.chdir('../smoke/data/datasets/evaluation/kitti/kitti_eval')
    label_dir = getattr(dataset, 'label_dir')
    if not os.path.isfile('evaluate_object_3d_offline'):
        subprocess.Popen('g++ -O3 -DNDEBUG -o evaluate_object_3d_offline evaluate_object_3d_offline.cpp', shell=True)
    command = "./evaluate_object_3d_offline {} {}".format(label_dir, output_dir)
    output = subprocess.check_output(command, shell=True, universal_newlines=True).strip()
    logger.info(output)
    os.chdir('./')
    # os.chdir('../')

开始测试，目前只支持单GPU测试，并且只得到txt形式的预测结果，没有可视化操作（后续我会尝试加入可视化功能）
- 其中ckpt参数为训练得到的最后模型权重

python tools/plain_train_net.py --eval-only --ckpt YOUR_CKPT --config-file "configs/smoke_gn_vector.yaml"

这里测试的逻辑是:

首先加载数据集（kitti_train），送入训练好的模型进行预测，得到预测结果（output）
然后进入kitti_eval文件夹中，执行g++ -O3 -DNDEBUG -o evaluate_object_3d_offline evaluate_object_3d_offline.cpp，编译生成evaluate_object_3d_offline文件
最后在kitti_eval文件夹中，执行./evaluate_object_3d_offline /your_root_dir/kitti/training/label_2/ /your_root_dir/smoke/output/exp4/inference/kitti_train，进行指标计算

单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能

注意！！测试这一步坑很多：

如果出现以下报错：定位到报错的函数subprocess，第412行（不同版本位置可能不同），将check改为False即可

subprocess.CalledProcessError: Command './evaluate_object_3d_offline datasets/kitti/training/label_2 /home/rrl/det3d/smoke/output/exp4/inference/kitti_train' returned non-zero exit status 127.

如果出现类似下面的报错，一定要检查训练集的label_2文件夹的路径，推荐使用绝对路径，而不是软连接（我一开始用的软连接，一直报这个错o(╥﹏╥)o）

Thank you for participating in our evaluation!
Loading detections...
number of files for evaluation: 3769
ERROR: Couldn't read: 006071.txt of ground truth. Please write me an email!
An error occured while processing your results.

最终生成的测试文件目录为：
单目3d目标检测算法smoke后处理代码详解,3D目标检测,计算机视觉,3D目标检测,人工智能