[OpenPCDet] Voxel-RCNN 훈련 및 추론

[신민서]

훈련 참고 사이트

https://github.com/open-mmlab/OpenPCDet/blob/master/docs/GETTING_STARTED.md

OpenPCDet/docs/GETTING_STARTED.md at master · open-mmlab/OpenPCDet

ubuntu 20.04

NVIDIA GeForce RTX 3070 1

Dataset 구성

testing / training

planes

[road plane] 클릭하면 다운 나옴

이후 명령어 실행

Train a model

.yaml 파일에서 배치 변경, 훈련 시 명령어로도 변경할 수 있음

훈련 시작 > 17시 30분

훈련 끝 > 02시 13분

약 8시간 30분 정도 소요됨

용어 설명 (train_utils.py에서 출력)

Train: 현재 에폭을 보여주고 있음 (%)는 진행도

Loss: 현재 배치의 Loss ()는 현재 에폭의 평균 Loss (지금까지 배치 평균)

LR: 학습률

Time cost: 현재 에폭에서 경과 시간과 에폭당 예상 총 소요 시간

Acc_iter: 누적 학습 iteration (batch 기준)

지금까지 모델이 훈련하면서 총 몇 개의 배치를 처리했는지 나타내는 수치

Data time: 현재 배치에서의 데이터 로딩 시간, ()는 전체 평균 데이터 로딩 시간

Forward time: forward pass하는 데 걸리는 시간

Forward pass > 입력 데이터를 모델에 넣어서 예측값 (output)을 계산하는 과정

Batch time: 배치 처리 시간, 초 단위 ()는 전체에 대한 평균 배치 시간

Test and eval‎uate the pretrained models

weight_only=False 수정

용어 설명 (eval‎_utils.py 에서 출력함)

recall_roi_x.x > RPN 단계에서의 Recall (재현율)

recall_roi_0.7 = 0.829 → IoU 0.7 이상인 GT 중 약 82.9%가 RPN proposal로 커버됨

recall_rcnn_x.x > RCNN 후 최종 박스에 대한 Recall

recall_rcnn_0.7 = 0.866 → IoU 0.7 이상인 GT 중 약 86.6%가 최종 박스로 탐지됨

0.3 / 0.5 / 0.7 의미: IoU threshold

Average predicted number of objects(3769 samples): 6.098

: 총 3769개의 validation sample 중 평균적으로 6.098개의 객체를 예측했다는 뜻

(프레임 당 탐지 수)

AP@0.70, 0.70, 0.70  >>  Easy / Moderate / Hard 난이도에 대해 IoU 0.7 기준 평가

(난이도: KITTI에서 객체 탐지 난이도를 3단계로 나눈 것, 탐지의 어려움에 따라 GT 객체를 분류해서 평가함)

Car_R40@0.70, 0.70, 0.70 → KITTI Recall-40 방식 평가

bbox: 2D 이미지 평면 상의 바운딩 박스 AP (Average Precision // 평균 정밀도)

bev: bev의 AP

3d: 3D 바운딩 박스 AP

aos: Average Orientation Similarity (방향성 정확도)

추론 결과 (inference2.py)

[Sungryul Lee]

KITTI데이터셋에서 Easy / Moderate / Hard 으로 분류하는 기준은 무엇인가요?

[신민서]

이미지에서 바운딩 박스의 세로 길이 (픽셀 단위)와 객체가 얼마나 가려져 있는지, 객체가 이미지 경계 바깥으로 잘려나간 정도 (%)를 기준으로 난이도를 설정합니다

Easy: 최소 바운딩 박스 높이 40픽셀, Occlusion(가림) 없음, Truncation(잘림) ≤ 15%
Moderate: 최소 높이 25픽셀, 부분적으로 가려짐, 잘림 ≤ 30%
Hard: 최소 높이 25픽셀, 심하게 가려짐, 잘림 ≤ 50%

PASCAL 기준: IoU (Intersection over Union) 기준. 예: Car는 70%, Pedestrian/Cyclist는 50%
Bounding Box Height: 이미지에서 바운딩 박스의 세로 길이 (픽셀 단위). 멀수록 작아짐
Occlusion Level: 객체가 얼마나 가려져 있는지 (Fully, Partly, Heavily)
Truncation: 객체가 이미지 경계 바깥으로 잘려나간 정도 (%)


https://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

[신민서]