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)

      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
人工智能教学实践5 小时前
【毕业与课程大作业参考】基于 yolov8+pyqt5 界面自适应的表情识别检测系统 demo
人工智能·计算机视觉·目标跟踪
eso19837 小时前
深度学习模型在汽车自动驾驶领域的应用
深度学习·自动驾驶·汽车
paradoxjun9 小时前
YOLOv8源码修改(4)- 实现YOLOv8模型剪枝(任意YOLO模型的简单剪枝)
深度学习·yolo·目标检测·剪枝
青云交13 小时前
Java 大视界 -- Java 大数据在自动驾驶中的数据处理与决策支持(68)
大数据·机器学习·自动驾驶·数据采集·数据存储·数据处理·决策支持
说私域1 天前
智能调度体系与自动驾驶技术优化运输配送效率的研究——兼论开源AI智能名片2+1链动模式S2B2C商城小程序的应用潜力
人工智能·小程序·自动驾驶
Archie_IT1 天前
基于云计算、大数据与YOLO设计的火灾/火焰目标检测
大数据·人工智能·yolo·目标检测·云计算
AI浩1 天前
【Block总结】SCSA,探索空间与通道注意力之间的协同效应|即插即用
人工智能·目标检测·计算机视觉
人工智能教学实践3 天前
无人机红外热成像:应急消防的“透视眼”
人工智能·目标跟踪
油泼辣子多加3 天前
【计算机视觉】目标跟踪应用
人工智能·计算机视觉·目标跟踪
xiaomu_3474 天前
2024-2025自动驾驶技术演进与产业破局的深度实践——一名自动驾驶算法工程师的年度技术总结与行业洞察
linux·人工智能·自动驾驶