本文主要是介绍【MMDetection3D实战(2)】: 利用MMDet3D预训练模型进行推理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
安装完成MMDet3D环境后，我们就可以基于MMDet3D提供的预训练模型在点云和单目图像上进行推理。
下图是利用是基于预训练模型的推理结果，可以看到无论是基于点云还是图像，它都能给出一个正确的推理结果，把对应的car和motor的3D box正确的框出来。
推理的实现很简单，大体分一下三步：
- (1): 下载预训练权重 ：
mmdection3d的github中下载或使用mim工具下载 - (2):
准备数据（点云、图像以及相关标注文件） - (3): 然后利用
mmdet3d提供的Python API实现推理，以及结果可视化
2. 点云推理和可视化
(1) 下载预训练权重
mim download mmdet3d --config pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class --dest checkpoint
- 下载
pointpillars的预训练权重，可以在github上下载,也可以利用mim工具下载 min命令自动下载模型的预训练权重和配置文件。其中的download表示下载，mmdet3d指定包名(检测mmdet3d,分类mmcls,分割mmsegmentation),--config指定下载模型的config名,不需要后缀；--dest:指定下载后文件的保存的路径，会自动创建该路径。
- 可以看到在checkpoint目录下，下载了模型的config文件以及预训练权重
（2）准备点云数据
mmdet3d项目的demo目录下就提供了用于测试的点云数据：demo/data/kitti/kitti_000008.bin
（3）推理并可视化点云
from mmdet3d.apis import init_model,inference_detector,show_result_meshlab# config_file = "configs/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py"
config_file = "checkpoint/pointpillars/pointpillars_hv_secfpn_8xb6-160e_kitti-3d-3class.py"
checkpoint_file ="checkpoint/hv_pointpillars_secfpn_6x8_160e_kitti-3d-3class_20220301_150306-37dc2420.pth"model = init_model(config_file,checkpoint_file,device='cuda:0')pcd ='demo/data/kitti/kitti_000008.bin'
result,data = inference_detector(model,pcd)out_dir ='./'
show_result_meshlab(data,result,out_dir,show=True)
- 将模型的配置文件
config_file和权重文件checkpoint_file的路径，传入i
这篇关于【MMDetection3D实战(2)】: 利用MMDet3D预训练模型进行推理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
