Main Content

Code Generation For Lidar Object Detection Using PointPillars Deep Learning

此示例使用：

Open Live Script

此示例显示了如何为Pointpillars对象检测器生成CUDA®MEX。有关更多信息，请参阅LIDAR 3-D对象检测使用Pointpillars深学习LIDAR TOOLBOX™中的示例。

Third-Party Prerequisites

Required

  • 启用CUDA的NVIDIA®GPU和兼容驱动程序。

可选的

对于非MEX构建，例如静态和动态库或可执行文件，此示例具有以下其他要求。

验证GPU环境

要验证正确设置用于运行此示例的编译器和库是否正确设置coder.checkGpuInstall(GPU Coder)功能。

envcfg = coder.gpuenvconfig（'host'）；envcfg.deeplibtarget ='cudnn';envCfg.DeepCodegen = 1; envCfg.Quiet = 1; coder.checkGpuInstall(envCfg);

Pretrained PointPillars Network

加载预处理的PointPillarsObjectDetector受过训练LIDAR 3-D对象检测使用Pointpillars深学习example。To train the detector yourself, seeLIDAR 3-D对象检测使用Pointpillars深学习。

矩阵=“预处理点”;预处理=负载（负载（“预处理点”，，，，'探测器'）；检测器=预处理detector.detector;

pointpillarsDetect入口点功能

这pointpillarsDetect入口点功能带入点云和置信度阈值，并将其传递给经过训练PointPillarsObjectDetectorfor prediction through thepointpillarDetect功能。这pointpillarsDetectfunction loads the detector object from the MAT file into a persistent variable and reuses the persistent object for subsequent prediction calls.

类型（'pointpillarsDetect.m'）
函数[bbox，分数，标签] = pointpillarsDetect（矩阵，数据元，数据线，阈值）％预测网络的输出并提取置信度，x，y，y，％宽度，高度和类。％加载深度学习网络，以进行预测持续的点斑点；如果Isempty（pointpillarobj）pointpillarobj = coder.loaddeeplearningnetwork（matfile）;end ptcloud = pointCloud（dataloc，'intermenty'，dataint）;[bboxes，分数，标签] = pointpillarobj.detect（ptcloud，'阈值'，阈值）;结尾

Evaluate the detector for Object Detection

Read the point cloud.

pc = pcread('pandasetdrivingdata.pcd'）；

在验证的检测器上使用检测方法。

ConfidencEthreshold = 0.7;[bboxes，〜，标签] =检测（检测器，PC，PC，'临界点'，，，，confidenceThreshold); bboxesCar = bboxes(labels =='Car'，:);bboxesTruck = bboxes(labels =='卡车'，:);

Display the detections on the point cloud.

helperDisplay3DBoxesOverlaidPointCloud(pc.Location,bboxesCar,'绿色'，，，，...bboxesTruck,'magenta'，，，，'Predicted bounding boxes'）；

Generate CUDA MEXscatter

To generate CUDA® code for thepointpillarsDetectentry-point function, create a GPU code configuration object for a MEX target and set the target language to C++. Use thecoder.DeepLearningConfig(GPU Coder)函数创建Cudnn深度学习配置对象并将其分配给DeepLearningConfigproperty of the GPU code configuration object.

cfg = coder.gpuconfig（'Mex'）；cfg.targetlang ='C ++';cfg.deeplearningconfig = coder.deeplearningconfig（targetLibrary ='cudnn'）；dataloc = pc.location;dataint = pc.strentty;args = {coder.constant（matfile）coder.typeof（dataloc，[inf，3]，[1 0]）coder.typeof（dataint，[inf，1]，[1 0]，[1 0]）coder.typeof（confidencEctEncEthreshold）}};代码根-configCFGpointpillarsDetect-argsargs报告
代码生成成功：查看报告

运行生成的MEX

Call the generated CUDA MEX with the point cloud. Display the results.

[bboxes，〜，labels] = pointpillarsDetect_mex（矩阵，dataloc，dataint，confidencEthreshold）;bboxescar = bboxes（标签=='Car'，:);bboxesTruck = bboxes(labels =='卡车'，:);helperDisplay3DBoxesOverlaidPointCloud(pc.Location,bboxesCar,'绿色'，，，，...bboxesTruck,'magenta'，，，，'Predicted bounding boxes'）；

助手功能

functionhelperDisplay3DBoxesOverlaidPointCloud(ptCld,labelsCar,carColor,...labelsTruck,truckColor,titleForFigure)％显示具有不同彩色边界框的点云% classes数字;ax = pcshow（ptcld）;展示（展示）（'长方体'，LabelsCar，'Parent'，斧头，“不透明度”，0.1，'Color'，，，，...carColor,'行宽'，0.5）;抓住on;展示（展示）（'长方体'，，，，labelsTruck,'Parent'，斧头，“不透明度”，0.1，'Color'，，，，...卡车颜色，'行宽'，0.5）;title(titleForFigure); zoom(ax,1.5);结尾

References

[1] Lang，Alex H.，Sourabh Vora，Holger Caesar，Lubing Zhou，Jiong Yang和Oscar Beijbom。“ Pointpillars：快速编码从点云检测到对象检测。”在2019年IEEE/CVF计算机视觉和模式识别会议（CVPR），12689-12697。美国加利福尼亚州长滩：IEEE，2019年。https://doi.org/10.1109/cvpr.2019.01298。

[2] Hesai and Scale. PandaSet.https://scale.com/open-datasets/pandaset。