【三维目标检测】Complex-Yolov4详解（一）： 数据处理

复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型 对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签 对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测 对象数据集的左侧彩色图像（12 GB） ：用于可视化预测 请确保您按照以下方式

在激光雷达点云上实现「实时3D目标检测」，德国伊尔梅瑙工业大学做到了

complex_yolov4_pytorch预训练模型，详细介绍和使用方式请参考csdn博客：https://blog.csdn.net/suiyingy/article/details/125087396。

给MaskDetect-YOLOv4-PyTorch-master加了一个通过Camera检测口罩，整体来说还可以，这么小的数据集得到这个准确率。

Lidar based 3D object detection is inevitable for autonomous driving, because it directly links to environmental understanding and therefore builds the base for prediction and motion planning. The capacity of inferencing highly sparse 3D data in real-time is an ill-posed problem for lots of other application areas besides automated vehicles, e.g. augmented reality, personal robotics or industrial automation. We introduce Complex-YOLO, a state of the art real-time 3D object detection network on p

YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyn