博客

DDAD是一个自动驾驶数据集，有6个摄像头的RGB数据、lidar点云数据，以及相应的Pose、内参、外参、2d  3d box标注、2d semantic标注。

DDAD数据集：

GitHub – TRI-ML/DDAD: Dense Depth for Autonomous Driving (DDAD) dataset.

DDAD数据集调用demo: https://github.com/TRI-ML/DDAD/blob/master/notebooks/DDAD.ipynb

调用DDAD数据集所需包–dgp:

GitHub – TRI-ML/dgp: ML Dataset Governance Policy for Autonomous Vehicle Datasets

dgp包的安装

基于docker:

https://github.com/TRI-ML/dgp/blob/master/docs/GETTING_STARTED.md

基于conda虚拟环境（我使用的）：

https://github.com/TRI-ML/dgp/blob/master/docs/VIRTUAL_ENV.md

参考Pytorch调用DDAD数据集代码：

https://github.com/TRI-ML/packnet-sfm

参考

demo

进行数据可视化，通过 generate_depth_from_datum = ‘lidar’ 得到的深度图如下：

ddad_train = SynchronizedSceneDataset(
    DDAD_TRAIN_VAL_JSON_PATH,
    split='train',
    datum_names=DATUMS,
    generate_depth_from_datum='lidar'
)

调用训练集共得到深度图12650个samples，每个samples中有6个相机数据+1个点云数据。可视化相机数据及点云深度图如上。其中深度图看起来是未经转换的稀疏点云图。

如果使用3d packing的数据集调用代码，会报错，因为我使用的dpg1.0和3d packing所使用的dpg部分函数不匹配，所以报错，提问在

issue

. 通过git checkout [id], 回退版本后可以看到缺失的 get_datum_index_for_datum_name 函数的实现。但回退版本通过pip install . 安装会报错。

因此，还是采用最新dpg版本，基于conda虚拟环境安装。去掉generate_depth_map函数，改为通过 generate_depth_from_datum = ‘lidar’ 生成深度图，如上图所示。

——

数据格式：

input 经过stacked_tensor后，输出为字典格式数据，对应键值对如下：

‘rgb’ : torch.Size([6, 3, 384, 640])

‘rgb_context’ : [ torch.Size([6, 3, 384, 640]),  torch.Size([6, 3, 384, 640])]

‘depth’: torch.Size([6, 1, 384, 640])

……

———–

发现dgb库其实可以通过安装最新版本的库后，再git checkout回退版本，回退不需要重新安装。

调试packnet-sfm代码：

依赖库基本都可以pip install安装，但是其中horovod需要安装NCCL V2，在我的环境下，因为无法联网且没有sudo权限，因此跳过了这一步，将horovod相关的代码全部注释，改为单GPU下运行。

其中测试过程会发生

issue

报错，参考此处解决。

至此，已经可以实现单GPU训练测试代码通过，但运行过慢，需要优化