Blog原文:
https://developer.nvidia.com/blog/detecting-objects-in-point-clouds-with-cuda-pointpillars/
点云是坐标系中点的数据集。点包含丰富的信息,包括三维坐标X、Y、Z;颜色; 分类值;强度值;和时间。点云主要来自各种 NVIDIA Jetson 用例中常用的激光雷达,例如自主机器、感知模块和 3D 建模。
关键应用之一是利用远程和高精度数据集来实现感知、映射和定位算法的 3D 对象检测。
PointPillars 是用于点云推理的最常用模型之一。
在这篇文章中,我们介绍了 CUDA-Pointpillars,它可以检测点云中的对象。过程如下:
基础预处理步骤将点云转换为基础特征图。它提供以下组件:
预处理步骤将基本特征图(四个通道)转换为 BEV 特征图(10 个通道)。
OpenPCDet 的原生点柱因以下原因进行了修改:
为了从原生 OpenPCDet 导出 ONNX,我们修改了模型(图 4)。
您可以将整个 ONNX 文件分为以下几个部分:
后处理解析TensorRT发动机(的输出class,box和dir_class),并输出边界框。图 6 显示了示例参数。
要使用 CUDA-PointPillars,请为点云提供 ONNX 模式文件和数据缓冲区:
std::vector<Bndbox> nms_pred;
PointPillar 点柱(ONNXModel_File,cuda_stream);
pointpillar.doinfer(points_data, points_count, nms_pred);
在我们的项目中,我们提供了一个 Python 脚本,可以将 OpenPCDet 训练的原生模型转换为 CUDA-Pointpillars 的 am ONNX 文件。exporter.py在/toolCUDA-Pointpillars 目录中找到脚本。
要获取当前目录中的 pointpillar.onnx 文件,请运行以下命令:
$ python exporter.py --ckpt ./*.pth
性能
该表显示了测试环境和性能。
总结
在这篇文章中,我们向您展示了 CUDA-PointPillars 是什么以及如何使用它来检测点云中的对象。
由于原生 OpenPCDet 无法导出 ONNX 并且对于 TensorRT 有太多低性能的小操作,我们开发了 CUDA-PointPillars。此应用程序可以将 OpenPCDet 训练的原生模型导出到特殊的 ONNX 模型,并通过 TensorRT 推断 ONNX 模型。
下载:https://github.com/NVIDIA-AI-IOT/CUDA-PointPillars