mmdetection3d的配置文件放置在config/base下面，下面有4种类型组件：数据集（dataset），模型（model），训练策略 (schedule) 和运行时的默认设置 (default runtime)。由 base 下的组件组成的配置，被我们称为 原始配置 (primitive)。
我们以kitti为例，对于数据集的一些基本信息存储在_base_/datasets下面。
这里主要定义了数据集的位置/名称/类别/点云范围，把他们打包好，送进pipeline中 pipeline分别是train和eval对于数据的一些预处理。随后定义data 这里主要是把kitti数据集的信息及训练参数打包好。包括samples per gpu、和储存data的路径及配置文件的路径。
以pillar为例。它的一些模型文件存储在model中，里面很详细地记录了pillar网络的一些定义参数。例如voxel的大小 点云的范围、anchor的生成等等。我们如果要对于网络进行修改 可以直接继承这个网络的config文件 然后对于一些参数进行修改即可。
如果你在构建一个与任何现有方法不共享结构的全新方法，可以在 configs 文件夹下创建一个新的例如 xxx_rcnn 文件夹。
schedule则是一些常见的训练策略，例如kitti数据集常用cyclic_40e.py文件，主要是定义了训练中用到的学习率等参数。
config文件夹中包含各个detector的配置文件，例如，如果在 PointPillars 的基础上做了一些修改，用户首先可以通过指定 base = …/pointpillars/hv_pointpillars_fpn_sbn-all_4x8_2x_nus-3d.py 来继承基础的 PointPillars 结构，然后修改配置文件中的必要参数以完成继承。
配置文件命名也有一些规律：
{model}[model setting]{backbone}{neck}[norm setting][misc][gpu x batch_per_gpu]{schedule}{dataset}
{xxx} 是被要求填写的字段而 [yyy] 是可选的。
{model}：模型种类，例如 hv_pointpillars (Hard Voxelization PointPillars)、VoteNet 等。
[model setting]：某些模型的特殊设定。
{backbone}： 主干网络种类例如 regnet-400mf、regnet-1.6gf 等。
{neck}：模型颈部的种类包括 fpn、secfpn 等。
[norm_setting]：如无特殊声明，默认使用 bn (Batch Normalization)，其他类型可以有 gn (Group Normalization)、sbn (Synchronized Batch Normalization) 等。 gn-head/gn-neck 表示 GN 仅应用于网络的头部或颈部，而 gn-all 表示 GN 用于整个模型，例如主干网络、颈部和头部。
[misc]：模型中各式各样的设置/插件，例如 strong-aug 意味着在训练过程中使用更强的数据增广策略。
[batch_per_gpu x gpu]：每个 GPU 的样本数和 GPU 数量，默认使用 4x8。
{schedule}：训练方案，选项是 1x、2x、20e 等。 1x 和 2x 分别代表训练 12 和 24 轮。 20e 在级联模型中使用，表示训练 20 轮。 对于 1x/2x，初始学习率在第 8/16 和第 11/22 轮衰减 10 倍；对于 20e，初始学习率在第 16 和第 19 轮衰减 10 倍。
{dataset}：数据集，例如 nus-3d、kitti-3d、lyft-3d、scannet-3d、sunrgbd-3d 等。 当某一数据集存在多种设定时，我们也标记下所使用的类别数量，例如 kitti-3d-3class 和 kitti-3d-car 分别意味着在 KITTI 的所有三类上和单独车这一类上进行训练。
官方文档给出了votenet的配置文件注释：
model = dict(
type='VoteNet', # 检测器的类型，更多细节请参考 mmdet3d.models.detectors
backbone=dict(
type='PointNet2SASSG', # 主干网络的类型，更多细节请参考 mmdet3d.models.backbones
in_channels=4, # 点云输入通道数
num_points=(2048, 1024, 512, 256), # 每个 SA 模块采样的中心点的数量
radius=(0.2, 0.4, 0.8, 1.2), # 每个 SA 层的半径
num_samples=(64, 32, 16, 16), # 每个 SA 层聚集的点的数量
sa_channels=((64, 64, 128), (128, 128, 256), (128, 128, 256),
(128, 128, 256)), # SA 模块中每个多层感知器的输出通道数
fp_channels=((256, 256), (256, 256)), # FP 模块中每个多层感知器的输出通道数
norm_cfg=dict(type='BN2d'), # 归一化层的配置
sa_cfg=dict( # 点集抽象 (SA) 模块的配置
type='PointSAModule', # SA 模块的类型
pool_mod='max', # SA 模块的池化方法 (最大池化或平均池化)
use_xyz=True, # 在特征聚合中是否使用 xyz 坐标
normalize_xyz=True)), # 在特征聚合中是否使用标准化的 xyz 坐标
bbox_head=dict(
type='VoteHead', # 检测框头的类型，更多细节请参考 mmdet3d.models.dense_heads
num_classes=18, # 分类的类别数量
bbox_coder=dict(
type='PartialBinBasedBBoxCoder', # 框编码层的类型，更多细节请参考 mmdet3d.core.bbox.coders
num_sizes=18, # 尺寸聚类的数量
num_dir_bins=1, # 编码方向角的间隔数
with_rot=False, # 框是否带有旋转角度
mean_sizes=[[0.76966727, 0.8116021, 0.92573744],
[1.876858, 1.8425595, 1.1931566],
[0.61328, 0.6148609, 0.7182701],
[1.3955007, 1.5121545, 0.83443564],
[0.97949594, 1.0675149, 0.6329687],
[0.531663, 0.5955577, 1.7500148],
[0.9624706, 0.72462326, 1.1481868],
[0.83221924, 1.0490936, 1.6875663],
[0.21132214, 0.4206159, 0.5372846],
[1.4440073, 1.8970833, 0.26985747],
[1.0294262, 1.4040797, 0.87554324],
[1.3766412, 0.65521795, 1.6813129],
[0.6650819, 0.71111923, 1.298853],
[0.41999173, 0.37906948, 1.7513971],
[0.59359556, 0.5912492, 0.73919016],
[0.50867593, 0.50656086, 0.30136237],
[1.1511526, 1.0546296, 0.49706793],
[0.47535285, 0.49249494, 0.5802117]]), # 每一类的平均尺寸，其顺序与类名顺序相同
vote_moudule_cfg=dict( # 投票 (vote) 模块的配置，更多细节请参考 mmdet3d.models.model_utils
in_channels=256, # 投票模块的输入通道数
vote_per_seed=1, # 对于每个种子点生成的投票数
gt_per_seed=3, # 每个种子点的真实标签个数
conv_channels=(256, 256), # 卷积通道数
conv_cfg=dict(type='Conv1d'), # 卷积配置
norm_cfg=dict(type='BN1d'), # 归一化层配置
norm_feats=True, # 是否标准化特征
vote_loss=dict( # 投票分支的损失函数配置
type='ChamferDistance', # 投票分支的损失函数类型
mode='l1', # 投票分支的损失函数模式
reduction='none', # 设置对损失函数输出的聚合方法
loss_dst_weight=10.0)), # 投票分支的目标损失权重
vote_aggregation_cfg=dict( # 投票聚合分支的配置
type='PointSAModule', # 投票聚合模块的类型
num_point=256, # 投票聚合分支中 SA 模块的点的数量
radius=0.3, # 投票聚合分支中 SA 模块的半径
num_sample=16, # 投票聚合分支中 SA 模块的采样点的数量
mlp_channels=[256, 128, 128, 128], # 投票聚合分支中 SA 模块的多层感知器的通道数
use_xyz=True, # 是否使用 xyz 坐标
normalize_xyz=True), # 是否使用标准化后的 xyz 坐标
feat_channels=(128, 128), # 特征卷积的通道数
conv_cfg=dict(type='Conv1d'), # 卷积的配置
norm_cfg=dict(type='BN1d'), # 归一化层的配置
objectness_loss=dict( # 物体性 (objectness) 损失函数的配置
type='CrossEntropyLoss', # 损失函数类型
class_weight=[0.2, 0.8], # 损失函数对每一类的权重
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=5.0), # 损失函数权重
center_loss=dict( # 中心 (center) 损失函数的配置
type='ChamferDistance', # 损失函数类型
mode='l2', # 损失函数模式
reduction='sum', # 设置损失函数输出的聚合方法
loss_src_weight=10.0, # 源损失权重
loss_dst_weight=10.0), # 目标损失权重
dir_class_loss=dict( # 方向分类损失函数的配置
type='CrossEntropyLoss', # 损失函数类型
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=1.0), # 损失函数权重
dir_res_loss=dict( # 方向残差 (residual) 损失函数的配置
type='SmoothL1Loss', # 损失函数类型
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=10.0), # 损失函数权重
size_class_loss=dict( # 尺寸分类损失函数的配置
type='CrossEntropyLoss', # 损失函数类型
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=1.0), # 损失函数权重
size_res_loss=dict( # 尺寸残差损失函数的配置
type='SmoothL1Loss', # 损失函数类型
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=3.3333333333333335), # 损失函数权重
semantic_loss=dict( # 语义损失函数的配置
type='CrossEntropyLoss', # 损失函数类型
reduction='sum', # 设置损失函数输出的聚合方法
loss_weight=1.0)), # 损失函数权重
train_cfg = dict( # VoteNet 训练的超参数配置
pos_distance_thr=0.3, # 距离 >= 0.3 阈值的样本将被视为正样本
neg_distance_thr=0.6, # 距离 < 0.6 阈值的样本将被视为负样本
sample_mod='vote'), # 采样方法的模式
test_cfg = dict( # VoteNet 测试的超参数配置
sample_mod='seed', # 采样方法的模式
nms_thr=0.25, # NMS 中使用的阈值
score_thr=0.8, # 剔除框的阈值
per_class_proposal=False)) # 是否使用逐类提议框 (proposal)
dataset_type = 'ScanNetDataset' # 数据集类型
data_root = './data/scannet/' # 数据路径
class_names = ('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window',
'bookshelf', 'picture', 'counter', 'desk', 'curtain',
'refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin') # 类的名称
train_pipeline = [ # 训练流水线，更多细节请参考 mmdet3d.datasets.pipelines
dict(
type='LoadPointsFromFile', # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loading
shift_height=True, # 是否使用变换高度
load_dim=6, # 读取的点的维度
use_dim=[0, 1, 2]), # 使用所读取点的哪些维度
dict(
type='LoadAnnotations3D', # 第二个流程，用于读取标注，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loading
with_bbox_3d=True, # 是否读取 3D 框
with_label_3d=True, # 是否读取 3D 框对应的类别标签
with_mask_3d=True, # 是否读取 3D 实例分割掩码
with_seg_3d=True), # 是否读取 3D 语义分割掩码
dict(
type='PointSegClassMapping', # 选取有效的类别，更多细节请参考 mmdet3d.datasets.pipelines.point_seg_class_mapping
valid_cat_ids=(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 16, 24, 28, 33, 34,
36, 39), # 所有有效类别的编号
max_cat_id=40), # 输入语义分割掩码中可能存在的最大类别编号
dict(type='PointSample', # 室内点采样，更多细节请参考 mmdet3d.datasets.pipelines.indoor_sample
num_points=40000), # 采样的点的数量
dict(type='IndoorFlipData', # 数据增广流程，随机翻转点和 3D 框
flip_ratio_yz=0.5, # 沿着 yz 平面被翻转的概率
flip_ratio_xz=0.5), # 沿着 xz 平面被翻转的概率
dict(
type='IndoorGlobalRotScale', # 数据增广流程，旋转并放缩点和 3D 框，更多细节请参考 mmdet3d.datasets.pipelines.indoor_augment
shift_height=True, # 读取的点是否有高度这一属性
rot_range=[-0.027777777777777776, 0.027777777777777776], # 旋转角范围
scale_range=None), # 缩放尺寸范围
dict(
type='DefaultFormatBundle3D', # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatting
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door',
'window', 'bookshelf', 'picture', 'counter', 'desk',
'curtain', 'refrigerator', 'showercurtrain', 'toilet',
'sink', 'bathtub', 'garbagebin')),
dict(
type='Collect3D', # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatting
keys=[
'points', 'gt_bboxes_3d', 'gt_labels_3d', 'pts_semantic_mask',
'pts_instance_mask'
])
]
test_pipeline = [ # 测试流水线，更多细节请参考 mmdet3d.datasets.pipelines
dict(
type='LoadPointsFromFile', # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loading
shift_height=True, # 是否使用变换高度
load_dim=6, # 读取的点的维度
use_dim=[0, 1, 2]), # 使用所读取点的哪些维度
dict(type='PointSample', # 室内点采样，更多细节请参考 mmdet3d.datasets.pipelines.indoor_sample
num_points=40000), # 采样的点的数量
dict(
type='DefaultFormatBundle3D', # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatting
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door',
'window', 'bookshelf', 'picture', 'counter', 'desk',
'curtain', 'refrigerator', 'showercurtrain', 'toilet',
'sink', 'bathtub', 'garbagebin')),
dict(type='Collect3D', # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatting
keys=['points'])
]
eval_pipeline = [ # 模型验证或可视化所使用的流水线，更多细节请参考 mmdet3d.datasets.pipelines
dict(
type='LoadPointsFromFile', # 第一个流程，用于读取点，更多细节请参考 mmdet3d.datasets.pipelines.indoor_loading
shift_height=True, # 是否使用变换高度
load_dim=6, # 读取的点的维度
use_dim=[0, 1, 2]), # 使用所读取点的哪些维度
dict(
type='DefaultFormatBundle3D', # 默认格式打包以收集读取的所有数据，更多细节请参考 mmdet3d.datasets.pipelines.formatting
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door',
'window', 'bookshelf', 'picture', 'counter', 'desk',
'curtain', 'refrigerator', 'showercurtrain', 'toilet',
'sink', 'bathtub', 'garbagebin')),
with_label=False),
dict(type='Collect3D', # 最后一个流程，决定哪些键值对应的数据会被输入给检测器，更多细节请参考 mmdet3d.datasets.pipelines.formatting
keys=['points'])
]
data = dict(
samples_per_gpu=8, # 单张 GPU 上的样本数
workers_per_gpu=4, # 每张 GPU 上用于读取数据的进程数
train=dict( # 训练数据集配置
type='RepeatDataset', # 数据集嵌套，更多细节请参考 https://github.com/open-mmlab/mmdetection/blob/master/mmdet/datasets/dataset_wrappers.py
times=5, # 重复次数
dataset=dict(
type='ScanNetDataset', # 数据集类型
data_root='./data/scannet/', # 数据路径
ann_file='./data/scannet/scannet_infos_train.pkl', # 数据标注文件的路径
pipeline=[ # 流水线，这里传入的就是上面创建的训练流水线变量
dict(
type='LoadPointsFromFile',
shift_height=True,
load_dim=6,
use_dim=[0, 1, 2]),
dict(
type='LoadAnnotations3D',
with_bbox_3d=True,
with_label_3d=True,
with_mask_3d=True,
with_seg_3d=True),
dict(
type='PointSegClassMapping',
valid_cat_ids=(3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 16, 24,
28, 33, 34, 36, 39),
max_cat_id=40),
dict(type='PointSample', num_points=40000),
dict(
type='IndoorFlipData',
flip_ratio_yz=0.5,
flip_ratio_xz=0.5),
dict(
type='IndoorGlobalRotScale',
shift_height=True,
rot_range=[-0.027777777777777776, 0.027777777777777776],
scale_range=None),
dict(
type='DefaultFormatBundle3D',
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table',
'door', 'window', 'bookshelf', 'picture',
'counter', 'desk', 'curtain', 'refrigerator',
'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin')),
dict(
type='Collect3D',
keys=[
'points', 'gt_bboxes_3d', 'gt_labels_3d',
'pts_semantic_mask', 'pts_instance_mask'
])
],
filter_empty_gt=False, # 是否过滤掉空的标签框
classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door',
'window', 'bookshelf', 'picture', 'counter', 'desk',
'curtain', 'refrigerator', 'showercurtrain', 'toilet',
'sink', 'bathtub', 'garbagebin'))), # 类别名称
val=dict( # 验证数据集配置
type='ScanNetDataset', # 数据集类型
data_root='./data/scannet/', # 数据路径
ann_file='./data/scannet/scannet_infos_val.pkl', # 数据标注文件的路径
pipeline=[ # 流水线，这里传入的就是上面创建的测试流水线变量
dict(
type='LoadPointsFromFile',
shift_height=True,
load_dim=6,
use_dim=[0, 1, 2]),
dict(type='PointSample', num_points=40000),
dict(
type='DefaultFormatBundle3D',
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table',
'door', 'window', 'bookshelf', 'picture',
'counter', 'desk', 'curtain', 'refrigerator',
'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin')),
dict(type='Collect3D', keys=['points'])
],
classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window',
'bookshelf', 'picture', 'counter', 'desk', 'curtain',
'refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin'), # 类别名称
test_mode=True), # 是否开启测试模式
test=dict( # 测试数据集配置
type='ScanNetDataset', # 数据集类型
data_root='./data/scannet/', # 数据路径
ann_file='./data/scannet/scannet_infos_val.pkl', # 数据标注文件的路径
pipeline=[ # 流水线，这里传入的就是上面创建的测试流水线变量
dict(
type='LoadPointsFromFile',
shift_height=True,
load_dim=6,
use_dim=[0, 1, 2]),
dict(type='PointSample', num_points=40000),
dict(
type='DefaultFormatBundle3D',
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table',
'door', 'window', 'bookshelf', 'picture',
'counter', 'desk', 'curtain', 'refrigerator',
'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin')),
dict(type='Collect3D', keys=['points'])
],
classes=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door', 'window',
'bookshelf', 'picture', 'counter', 'desk', 'curtain',
'refrigerator', 'showercurtrain', 'toilet', 'sink', 'bathtub',
'garbagebin'), # 类别名称
test_mode=True)) # 是否开启测试模式
evaluation = dict(pipeline=[ # 流水线，这里传入的就是上面创建的验证流水线变量
dict(
type='LoadPointsFromFile',
coord_type='DEPTH',
shift_height=False,
load_dim=6,
use_dim=[0, 1, 2]),
dict(
type='DefaultFormatBundle3D',
class_names=('cabinet', 'bed', 'chair', 'sofa', 'table', 'door',
'window', 'bookshelf', 'picture', 'counter', 'desk',
'curtain', 'refrigerator', 'showercurtrain', 'toilet',
'sink', 'bathtub', 'garbagebin'),
with_label=False),
dict(type='Collect3D', keys=['points'])
])
lr = 0.008 # 优化器的学习率
optimizer = dict( # 构建优化器所使用的配置，我们支持所有 PyTorch 中支持的优化器，并且拥有相同的参数名称
type='Adam', # 优化器类型，更多细节请参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/optimizer/default_constructor.py#L12
lr=0.008) # 优化器的学习率，用户可以在 PyTorch 文档中查看这些参数的详细使用方法
optimizer_config = dict( # 构建优化器钩子的配置，更多实现细节可参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/hooks/optimizer.py#L22
grad_clip=dict( # 梯度裁剪的配置
max_norm=10, # 梯度的最大模长
norm_type=2)) # 所使用的 p-范数的类型，可以设置成 'inf' 则指代无穷范数
lr_config = dict( # 学习率策略配置，用于注册学习率更新的钩子
policy='step', # 学习率调整的策略，支持 CosineAnnealing、Cyclic 等，更多支持的种类请参考 https://github.com/open-mmlab/mmcv/blob/v1.3.7/mmcv/runner/hooks/lr_updater.py#L9
warmup=None, # Warmup 策略，同时也支持 `exp` 和 `constant`
step=[24, 32]) # 学习率衰减的步数
checkpoint_config = dict( # 设置保存模型权重钩子的配置，具体实现请参考 https://github.com/open-mmlab/mmcv/blob/master/mmcv/runner/hooks/checkpoint.py
interval=1) # 保存模型权重的间隔是 1 轮
log_config = dict( # 用于注册输出记录信息钩子的配置
interval=50, # 输出记录信息的间隔
hooks=[dict(type='TextLoggerHook'),
dict(type='TensorboardLoggerHook')]) # 用于记录训练过程的信息记录机制
runner = dict(type='EpochBasedRunner', max_epochs=36) # 程序运行器，将会运行 `workflow` `max_epochs` 次
dist_params = dict(backend='nccl') # 设置分布式训练的配置，通讯端口值也可被设置
log_level = 'INFO' # 输出记录信息的等级
find_unused_parameters = True # 是否查找模型中未使用的参数
work_dir = None # 当前实验存储模型权重和输出信息的路径
load_from = None # 从指定路径读取一个预训练的模型权重，这将不会继续 (resume) 训练
resume_from = None # 从一个指定路径读入模型权重并继续训练，这意味着训练轮数、优化器状态等都将被读取
workflow = [('train', 1)] # 要运行的工作流。[('train', 1)] 意味着只有一个名为 'train' 的工作流，它只会被执行一次。这一工作流依据 `max_epochs` 的值将会训练模型 36 轮。
gpu_ids = range(0, 1) # 所使用的 GPU 编号
常见的一些修改方法
_delete=true的使用
通过设置 delete=True 来忽略基础配置文件里的一些域内容。
model = dict(
type=‘MVXFasterRCNN’,
pts_voxel_layer=dict(…),
pts_voxel_encoder=dict(…),
pts_middle_encoder=dict(…),
pts_backbone=dict(…),
pts_neck=dict(
type=‘FPN’,
norm_cfg=dict(type=‘naiveSyncBN2d’, eps=1e-3, momentum=0.01),
act_cfg=dict(type=‘ReLU’),
in_channels=[64, 128, 256],
out_channels=256,
start_level=0,
num_outs=3),
pts_bbox_head=dict(…))
base = ‘…/base/models/hv_pointpillars_fpn_nus.py’
model = dict(
pts_neck=dict(
delete=True,
type=‘SECONDFPN’,
norm_cfg=dict(type=‘naiveSyncBN2d’, eps=1e-3, momentum=0.01),
in_channels=[64, 128, 256],
upsample_strides=[1, 2, 4],
out_channels=[128, 128, 128]),
pts_bbox_head=dict(…))
配置文件里会使用一些中间变量，例如数据集中的 train_pipeline/test_pipeline。 值得注意的是，当修改子配置文件中的中间变量后，用户还需再次将其传入相应字段。 例如，我们想在训练和测试中，对 PointPillars 使用多尺度策略 (multi scale strategy)，那么 train_pipeline/test_pipeline 就是我们想要修改的中间变量。
base = ‘./nus-3d.py’
train_pipeline = [
dict(
type=‘LoadPointsFromFile’,
load_dim=5,
use_dim=5,
file_client_args=file_client_args),
dict(
type=‘LoadPointsFromMultiSweeps’,
sweeps_num=10,
file_client_args=file_client_args),
dict(type=‘LoadAnnotations3D’, with_bbox_3d=True, with_label_3d=True),
dict(
type=‘GlobalRotScaleTrans’,
rot_range=[-0.3925, 0.3925],
scale_ratio_range=[0.95, 1.05],
translation_std=[0, 0, 0]),
dict(type=‘RandomFlip3D’, flip_ratio_bev_horizontal=0.5),
dict(type=‘PointsRangeFilter’, point_cloud_range=point_cloud_range),
dict(type=‘ObjectRangeFilter’, point_cloud_range=point_cloud_range),
dict(type=‘ObjectNameFilter’, classes=class_names),
dict(type=‘PointShuffle’),
dict(type=‘DefaultFormatBundle3D’, class_names=class_names),
dict(type=‘Collect3D’, keys=[‘points’, ‘gt_bboxes_3d’, ‘gt_labels_3d’])
]
test_pipeline = [
dict(
type=‘LoadPointsFromFile’,
load_dim=5,
use_dim=5,
file_client_args=file_client_args),
dict(
type=‘LoadPointsFromMultiSweeps’,
sweeps_num=10,
file_client_args=file_client_args),
dict(
type=‘MultiScaleFlipAug3D’,
img_scale=(1333, 800),
pts_scale_ratio=[0.95, 1.0, 1.05],
flip=False,
transforms=[
dict(
type=‘GlobalRotScaleTrans’,
rot_range=[0, 0],
scale_ratio_range=[1., 1.],
translation_std=[0, 0, 0]),
dict(type=‘RandomFlip3D’),
dict(
type=‘PointsRangeFilter’, point_cloud_range=point_cloud_range),
dict(
type=‘DefaultFormatBundle3D’,
class_names=class_names,
with_label=False),
dict(type=‘Collect3D’, keys=[‘points’])
])
]
data = dict(
train=dict(pipeline=train_pipeline),
val=dict(pipeline=test_pipeline),
test=dict(pipeline=test_pipeline))
这里，我们首先定义了新的 train_pipeline/test_pipeline，然后将其传入 data。
