3D目标检测跟踪 | 基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染可视化

  • 项目应用场景
    • 面向自动驾驶场景的 3D 目标检测+目标跟踪,基于kitti+waymo数据集的自动驾驶场景的3D目标检测+跟踪渲染可视化查看。
  • 项目效果
  • 项目细节 ==> 具体参见项目 README.md
    • (1) Kitti detection 数据集结构
bash 复制代码
# For Kitti Detection Dataset         
└── kitti_detection
       ├── testing 
       |      ├──calib
       |      ├──image_2
       |      ├──label_2
       |      └──velodyne      
       └── training
              ├──calib
              ├──image_2
              ├──label_2
              └──velodyne 
    • (2) Kitti tracking 数据集结构
bash 复制代码
# For Kitti Tracking Dataset         
└── kitti_tracking
       ├── testing 
       |      ├──calib
       |      |    ├──0000.txt
       |      |    ├──....txt
       |      |    └──0028.txt
       |      ├──image_02
       |      |    ├──0000
       |      |    ├──....
       |      |    └──0028
       |      ├──label_02
       |      |    ├──0000.txt
       |      |    ├──....txt
       |      |    └──0028.txt
       |      └──velodyne
       |           ├──0000
       |           ├──....
       |           └──0028      
       └── training # the structure is same as testing set
              ├──calib
              ├──image_02
              ├──label_02
              └──velodyne 
    • (3) 安装依赖
bash 复制代码
pip install python3 \
            numpy==1.21.3 \
            vedo==2021.0.6 \
            vtk==9.0.3 \
            opencv==4.5.4.58 \
            matplotlib==3.4.3
    • (4) 执行示例

      from viewer.viewer import Viewer
      import numpy as np

      vi = Viewer() # set box_type='OpenPCDet' if you use OpenPCDet boxes
      len_dataset = 1000

      for i in range(len_dataset):
      pseudo_boxes = np.array([[i0.05, -1, 1, 1, 1, 1, 0], [i0.05, 1, 1, 1, 1, 1, 0]]) # your boxes
      ids = np.array([0,1]) # your boxes ids (optional)

      复制代码
      pseudo_points = np.random.randn(100, 3) # your points
      
      vi.add_points(pseudo_points, radius=4, scatter_filed=pseudo_points[:, 0])
      vi.add_3D_boxes(pseudo_boxes, ids=ids,caption_size=(0.09,0.09))
      vi.add_spheres(pseudo_boxes[:, 0:3],radius=0.03,res=10,color='red',del_after_show=False, alpha=1) # Draw motion track
      vi.show_3D() # press the Q or Enter or ESC key to view
  • 项目获取

相关推荐
智驱力人工智能16 小时前
基于视觉分析的人脸联动使用手机检测系统 智能安全管理新突破 人脸与手机行为联动检测 多模态融合人脸与手机行为分析模型
算法·安全·目标检测·计算机视觉·智能手机·视觉检测·边缘计算
地平线开发者21 小时前
LLM 训练基础概念与流程简介
算法·自动驾驶
地平线开发者21 小时前
Camsys 时间戳信息简介
算法·自动驾驶
王哈哈^_^1 天前
YOLOv11视觉检测实战:安全距离测算全解析
人工智能·数码相机·算法·yolo·计算机视觉·目标跟踪·视觉检测
AI浩1 天前
FeatEnHancer:在低光视觉下增强目标检测及其他任务的分层特征
人工智能·目标检测·目标跟踪
深度学习lover1 天前
<数据集>yolo航拍交通目标识别数据集<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·航拍交通目标识别
Coovally AI模型快速验证1 天前
视觉语言模型(VLM)深度解析:如何用它来处理文档
人工智能·yolo·目标跟踪·语言模型·自然语言处理·开源
王哈哈^_^1 天前
【数据集+完整源码】水稻病害数据集,yolov8水稻病害检测数据集 6715 张,目标检测水稻识别算法实战训推教程
人工智能·算法·yolo·目标检测·计算机视觉·视觉检测·毕业设计
不做无法实现的梦~1 天前
适合新手小白入门实现slam建图和路径规划的详细教程
人工智能·机器人·自动驾驶
AI纪元故事会3 天前
【计算机视觉目标检测算法对比:R-CNN、YOLO与SSD全面解析】
人工智能·算法·目标检测·计算机视觉