mmdetection3d 推理

### 使用 mmdetection3d 进行推理

为了使用 `mmdetection3d` 库进行三维物体检测和其他任务的推理，可以按照以下方法操作。此过程涉及配置文件准备、模型加载以及数据预处理等多个方面。

#### 配置环境与安装依赖项
确保已经正确设置了 Python 环境并安装了必要的库。可以通过 pip 或者 conda 安装 mmdetction3d 及其依赖包：

pip install mmcv-full mmdet mmdet3d

#### 加载预训练模型
对于特定的任务（如 LiDAR 基础的目标检测），可以从官方仓库下载对应的权重文件，并指定路径给 config 文件中的 pretrained 参数。下面是一个简单的例子展示如何加载一个基于 PointPillars 的模型用于 KITTI 数据集上的车辆检测[^1]。

from mmdet3d.apis import init_detector, inference_detector

config_file = 'configs/pointpillars/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car.py'
checkpoint_file = 'checkpoints/hv_pointpillars_secfpn_6x8_160e_kitti-3d-car_20200620_230421-aa0fcb51.pth'

model = init_detector(config_file, checkpoint_file, device='cuda:0')

#### 准备输入数据
通常情况下，测试样本应该遵循所选框架的数据格式要求。如果是以点云作为输入，则可能需要将其转换成 numpy 数组形式；如果是图像序列则需调整尺寸等参数使其匹配网络预期输入规格。这里假设有一个名为 `data_path` 的变量指向待测点云文件的位置。

import torch
from mmdet3d.datasets.pipelines import Compose
from tools.misc import visualize_open3d as vis_o3d

test_pipeline = [
    dict(type='LoadPointsFromFile', coord_type='LIDAR'),
    dict(
        type='DefaultFormatBundle3D',
        class_names=['Car'],
        with_label=False),
    dict(type='Collect3D', keys=['points'])
]

pipeline = Compose(test_pipeline)

sample = {'pts_filename': data_path}
result = pipeline(sample)
data = result['data']

with torch.no_grad():
    results = model(return_loss=False, rescale=True, **data)

#### 执行预测并解析结果
调用 `inference_detector()` 方法传入初始化好的 detector 和前一步骤得到的数据字典即可获得最终的结果列表。每个元素代表一类对象的信息集合，包括边界框坐标、类别标签及置信度得分等属性。

bboxes, scores, labels = results[0]['boxes_3d'].tensor.cpu().numpy(), \
                         results[0]['scores_3d'].cpu().numpy(), \
                         results[0]['labels_3d'].cpu().numpy()

for bbox, score, label in zip(bboxes, scores, labels):
    print(f'Label:{label}, Score:{score:.2f}')
    print('Bounding Box:', bbox.tolist())

上述代码片段展示了基本的工作流程，实际应用中还需要考虑更多的细节设置，比如不同的传感器模态组合、更复杂的后处理逻辑等等。