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
前端摸鱼匠2 小时前
YOLOv11 在零售领域实战:利用公开的商品检测数据集 (如 SKU110K 的子集),训练一个 YOLOv11 模型,用于识别货架上的各种商品
人工智能·yolo·目标检测·ai·目标跟踪·视觉检测·零售
深度学习lover2 小时前
<数据集>yolo微藻识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·微藻识别
星光技术人4 小时前
怎么理解任务接口不是文本
人工智能·深度学习·计算机视觉·语言模型·自动驾驶
动物园猫4 小时前
电缆损坏目标检测数据集分享(YOLO系列)| 电缆断裂 雷击损伤 断股 烧蚀痕迹 输电线路巡检 目标检测标注
人工智能·yolo·目标检测
动物园猫4 小时前
道路表面缺陷数据集分享(YOLO系列分类检测)| 路面病害 目标检测 坑洼裂缝 训练集
yolo·目标检测·分类
gorgeous(๑>؂<๑)5 小时前
【CVPR26-韩国高丽大学】基于能量分离的开放世界目标检测未知目标方法
人工智能·目标检测·机器学习·计算机视觉·目标跟踪
云程笔记18 小时前
002.计算机视觉与目标检测发展简史:从传统方法到深度学习
深度学习·yolo·目标检测·计算机视觉
这张生成的图像能检测吗2 天前
(论文速读)UWDET:基于物联网的资源有限水下目标探测训练增强
人工智能·深度学习·物联网·目标检测·计算机视觉·水下目标检测
QQ676580082 天前
AI赋能识别之围栏破损识别 围栏缺陷检测数据集 栅栏破损识别数据集围栏孔洞识别植被入侵检测图像数据集 目标检测图像数据集第10125期
人工智能·yolo·目标检测·目标跟踪·围栏破损识别·围栏缺陷识别·栅栏破损识别
Westward-sun.2 天前
OpenCV物体跟踪实战:基于KCF算法的实时摄像头目标跟踪(Python实现)
opencv·算法·目标跟踪