本节以SECOND算法为例，简要介绍mmdetection3d second算法训练过程，含数据和python源码详细介绍。
1 mmdetection3d环境安装
mmdetection3d环境详细安装和调试请参考：【mmdetection3d】mmdetection3d安装详细步骤_Coding的叶子的博客-CSDN博客。
2 KITTI数据集准备
mmdetection3d的kitti原始数据集主要由三部份组成，即ImageSets、training、testing。ImageSets主要是定义训练、验证和测试的样本名称。training文件夹下包含校准数据（calib）、图像数据（image_2）、标签数据（label_2）、激光雷达数据（velodyne）。testing文件夹下包含校准数据（calib）、图像数据（image_2）、激光雷达数据（velodyne）。kitti文件夹在mmdetection3d/data/目录下，其自身构成如下图所示：
KITTI数据集是三维点云算法常用的数据集之一，网络上有大量介绍资料，这里再不进行赘述。 为了快速进行算法调试、训练、评估和验证，以及快速下载，我制作了一个mini kitti数据集，数据集的文件目录结构与完整KITTI数据集保持一致。其中，小型的KITTI数据集，即 mini kitti保存了20个训练样本和5个测试样本。下载地址为：minikitti数据集_kittimini数据包-深度学习文档类资源-CSDN下载。
下载的数据包含4个部分，即激光雷达数据velodyne、图像数据image_2、校准数据calib和标注数据label_2。如果需要对应的ImageSets，请下载：train_val_testforminikitti-深度学习文档类资源-CSDN下载，将下载的文件夹重名为ImageSets即可。
关于KITTI各个部分的介绍请分别参考以下内容：
KITTI数据集简介（一） — 激光雷达数据_Coding的叶子的博客-CSDN博客_雷达数据集
KITTI数据集简介（二） — 标注数据label_2_Coding的叶子的博客-CSDN博客_kitti数据集标注
KITTI数据集简介（三） — 图像数据image_2_Coding的叶子的博客-CSDN博客
KITTI数据集简介（四） — 图像数据calib_Coding的叶子的博客-CSDN博客
3 KITTI数据预处理
mmdetection3d针对各个数据集由专门的处理脚本。针对KITTI数据集，mmdetection3d 通过运行下述脚本完成数据集基本的预处理。
python tools/create_data.py kitti --root-path ./data/kitti --out-dir ./data/kitti --extra-tag kitti运行上述脚本之后，会在data/kitti/目录下生成4个pkl文件和4个json文件，即： kitti_infos_train.pkl、 kitti_infos_val.pkl、 kitti_infos_trainval.pkl、 kitti_infos_test.pkl、kitti_infos_train_mono3d.coco.json、kitti_infos_val_mono3d.coco.json、kitti_infos_trainval_mono3d.coco.json、kitti_infos_test_mono3d.coco.json。
4 SECOND训练
mmdetection3d second的训练脚本如下：
python tools/train.py configs/second/hv_second_secfpn_6x8_80e_kitti-3d-car.py直接运行上述命令，可能会报GPU显存不够的错误。为了尽量避免这个问题，需要调小batch size。mmdetection3d设置batch size的方式是通过samples_per_gpu来设置的。数据集加载参数位于configs/_base_/datasets/目录下。上述例子中对应的数据加载脚本为configs/_base_/datasets/kitti-3d-car.py。samples_per_gpu位于第97行，默认取值为6，为了减小显存占用将其改为1。另外，将98行的workers_per_gpu也改为1。
执行上述mmdetection3d second训练脚本，可得到如下图所示结果：
5 【python三维深度学习】python三维点云从基础到深度学习_Coding的叶子的博客-CSDN博客_python 三维点云
更多三维、二维感知算法和金融量化分析算法请关注“乐乐感知学堂”微信公众号，并将持续进行更新。