LiDAR: Beispiel mit Anleitung

Erfahren Sie, wie Sie Punktwolkendaten laden, Datensätze vorverarbeiten, Netze definieren und trainieren sowie Detektionen generieren.

Zum Einstieg:

Code herunterladen
Code in MATLAB öffnen
Befolgen Sie die unten aufgeführten Schritte.

Sie haben keinen Zugriff?

Kostenlose Testversion anfordern

Dauer:: 15 bis 30 Minuten
Stufe:: Einsteiger/Mittelstufe

Sie brauchen eine Auffrischung? Absolvieren Sie das kostenfreie interaktive Tutorial.

Erforderliche Produkte

Übersicht

Laden von Punktwolkendaten und entsprechenden Kennzeichnungen
Vorverarbeiten von Datensätzen
Definieren von Netzen
Trainieren von Netzen
Generieren der Detektionen

Schritt 1

Laden von Punktwolkendaten und entsprechenden Kennzeichnungen

Mithilfe eines tiefen neuronalen Netzes können Sie eine Mehrklassen-Objekterkennung auf Punktwolkendaten erkunden. In diesem Beispiel wird das PointPillars-Netz betrachtet, das Objekte in der Punktwolke erkennen und ausgerichtete Begrenzungsrahmen um sie herum anordnen kann.

Erstellen Sie Datastores für die Verwaltung der Daten.

Erstellen Sie einen fileDatastore, um mithilfe der pcread-Funktion die PCD-Dateien aus dem angegebenen Pfad zu laden.

Laden Sie Begrenzungsrahmen-Kennzeichnungen mithilfe der boxLabelDatastore-Funktion für Ground-Truth-Kennzeichnungen.

Wichtige Punkte:

In dieser Demo wird eine Punktwolke aus der Vorderansicht statt einer Punktwolke in Vollansicht verwendet. Dieser Ansatz bietet zwei Vorteile: (1) schnelleres Training und schnellere Ausführung und (2) bessere Leistung des Netzes für durchschnittliche Ausrichtung, Ähnlichkeit und Genauigkeit.

Schritt 2

Vorverarbeiten von Datensätzen

Sie sind nun bereit, Datensätze aufzuteilen und verschiedene Verstärkungstechniken kennenzulernen.

Teilen Sie den Datensatz in Trainings- und Testsätze auf.

Führen Sie die Ground Truth Data Augmentation durch, bei der jeder Punktwolke zufällig eine feste Anzahl an Objekten der Klasse „Fahrzeug“ hinzugefügt wird. Das folgende Bild zeigt 70 % der Daten für Training und den Rest für Tests. Diese Technik ermöglicht eine Verbesserung der Genauigkeit des Netzes während des Trainings, indem die Größe des Trainingsdatensatzes synthetisch erhöht wird.

Probieren Sie Data-Augmentation-Techniken wie Spiegeln, Skalieren, Drehen und Übersetzen von Punktwolken aus.

Sehen Sie sich die Ausgabe an.

Wichtige Punkte:

In diesem Beispiel wird ein kleiner Datensatz mit sehr wenigen Frames zur Demonstration des Workflows verwendet. Trainieren Sie das Netz mit einem größeren Datensatz, um bessere Ergebnisse zu erzielen.

Schritt 3

Definieren von Netzen

Beginnen Sie mit der Definition Ihrer Rahmen, der Säulen für das PointPillars-Netz und des PointPillars-Netzes.

Definieren Sie Rahmen.

Definieren Sie die Anzahl der Säulen für das PointPillars-Netz.

Nutzen Sie die PointPillar-Objekterkennungsfunktion zur Erstellung eines PointPillar-Objekterkennungsnetzes.

Schritt 4

Trainieren von Netzen

Nachdem Sie das Netz definiert haben, trainieren Sie das Modell auf dem Trainingsdatensatz.

Legen Sie neue Trainingsparameter fest.

Verwenden Sie die trainedPointPillarsObjectDetector-Funktion zum Trainieren von PointPillars.

Laden Sie einen vortrainierten Objektdetektor, wenn Sie kein Modell von Grund auf trainieren möchten.

Wichtige Punkte:

Das Training ist der zeitaufwendigste Schritt in einem Deep-Learning-Workflow. Alternativ können Sie Objekte in der Punktwolke mithilfe eines vortrainierten Modells erkennen.

Schritt 5

Generieren von Detektionen

Verwenden Sie zum Abschluss das trainierte Netz, um Objekte in den Testdaten zu erkennen und die Punktwolke mit Begrenzungsrahmen darzustellen.

Lesen Sie die Punktwolke aus den Testdaten.

Nutzen Sie die detect-Funktion auf der Testpunktwolke, um die vorhergesagten Begrenzungsrahmen und Konfidenzwerte zu erhalten.

Bilden Sie die erkannte Ausgabepunktwolke mit Begrenzungsrahmen ab. Die grünen Begrenzungsrahmen stellen Fahrzeuge in der Ausgabepunktwolke dar.

Befolgen Sie die Anleitungsvideos für LiDAR:

LiDAR: Beispiel mit Anleitung (Videos) (5 Videos)

Sehen Sie sich unter den nachstehenden Links weitere LiDAR-Aufgaben an oder machen Sie sich mit ähnlichen Anwendungen weiter mit Deep Learning vertraut.