Deep Learning

Gemeinsames Programmieren von LiDAR

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

Mitmachen:

  1. Code herunterladen
  2. In MATLAB öffnen

Sie haben keinen Zugriff? Rufen Sie jetzt eine kostenfreie Testversion ab.

Dauer:
15 bis 30 Minuten
Voraussetzungen:
MATLAB-Grundkenntnisse

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

Schritt 1

Laden von Punktwolkendaten und entsprechenden Kennzeichnungen

Laden Sie Punktwolkendaten, Begrenzungsrahmenetiketten und teilen Sie Trainings- und Testsätze auf.

 

Was Sie gelernt haben: Punktwolkendaten und entsprechende Kennzeichnungen laden

  • Laden Sie Punktwolkendaten als fileDatastore mit der pcread-Funktion.
  • Laden Sie Begrenzungsrahmenetiketten mithilfe der boxLabelDatastore-Funktion.
  • Teilen Sie Trainings- und Testsätze auf.

Schritt 2

Vorverarbeiten von Datensätzen

Teilen Sie den Datensatz in Trainings- und Testsätze auf und lernen Sie verschiedene Augmentierungstechniken kennen.

 

Was Sie gelernt haben: Aufteilen von Datensätzen und Datenaugmentierung

  • Teilen Sie den Datensatz in Trainings- und Testsätze auf.
  • Verwenden Sie Datenaugmentierung für Trainingsdaten indem Sie:
    • jeder Punktwolke zufallsbedingt eine feste Anzahl von Pkw- und Lkw-Klassenobjekten hinzufügen
    • Punktwolken spiegeln, skalieren, drehen und übersetzen

Schritt 3

Definieren von Netzen

Machen Sie sich mit der Definition von Rahmen und Säulen für das PointPillars-Netz und dem PointPillars-Netz selbst vertraut.

 

Was Sie gelernt haben: Ein PointPillars-Netz zur Objektdetektion festlegen

  • Definieren Sie Rahmen.
  • Definieren Sie Säulen für das PointPillars-Netz.
  • Definieren Sie ein PointPillars-Netz.

Schritt 4

Trainieren von Netzen

Trainieren Sie das Modell im PointPillars-Netz oder verwenden Sie ein vortrainiertes Modell.

 

Was Sie gelernt haben: Einen PointPillars-Objektdetektor trainieren

  • Legen Sie Trainingsoptionen fest.
  • Verwenden Sie die trainPointPillarsObjectDetector-Funktion, um PointPillars zu trainieren.
  • Laden Sie alternativ ein vortrainiertes Modell.

Schritt 5

Generieren der Detektionen

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

 

Was Sie gelernt haben: Ein PointPillars-Netz an einem Testdatensatz ausprobieren

  • Lesen Sie die Punktwolke aus den Testdaten.
  • Führen Sie den Detektor an der Testpunktwolke aus, um die vorhergesagten Begrenzungsrahmen und die prognostizierten Konfidenzwerte zu ermitteln.
  • Stellen Sie die erkannte Ausgabepunktwolke mit Rahmen dar.