Eden Mo Blog

在上一篇文章中，我们在服务器上部署了Openpcdet并完成了KITTI数据集的训练、可视化操作，这篇文章记录了在同样环境下更换数据集过程。 概述 KITTI点云数据是一个四维数据（空间坐标、反射强度），而VOD点云是一个七维数据（空间坐标、反射界面RCS、径向速度、径向补偿速度、时间戳）。我们的起始目标是去除VOD的标定文件，使用纯点云进行训练。但是这个目标没有达成，最大的原因是对于具体空间坐标转换不明确，因此不能代替标定文件。我在kitti上做了尝试，理由是有一款开源软件labelcloud给出了代码，当用户选择kitti格式标注时，它会自动给出这样的转换关系。我把代码应用在VOD数据集上，然而虽然得到了最佳的数据库表现，但是还是不足以用于训练，因为无法得到有效的梯度。另一方面应该说的是，Openpcdet的模块化完成得很好，另一方面是开源团队同样采取了Openpcdet作为他们的框架网络，尽管更改了数据集，只需要对若干个配置文件进行修改即可，而无需过多的修改训练、测试、可视化等demo。以下介绍了基于pointpillars框架训练毫米波雷达数据集的过程。值得注意的是，该文章 ...

仅作个人学习与思考记录。 7.19更新 无法访问OpenAI等网站 Cloudflare访问一些网站，如OpenAI的gpt等，会发生频繁跳验证，阻断无法访问等情况，这是因为在国外Cloudflare是一个很大的网络安全厂商，许多大型网站本身就使用了它的安全服务，不仅能够识别恶意的IP，还能阻断自身的IP。所以不是所有的公开官方IP都能够访问，当然如果是非CF提供服务的网站完全没有问题，这也是这个项目最大的缺点，这里将项目的proxyIP设置为能够解锁安全验证的IP，能够解决该问题，如146.70.175.x段（已失效）。 另外，不建议使用Math.random()来随机选择IP，因为只要列表有多个域名解析的IP失效，就会造成丢包情况，表现在卡顿，经常需要刷新，很影响体验，建议固定一个proxyIP即可。 自定义反向代理IP 从网络解决方案厂商那里可以获取特定城市的CF的公开入网IP，以荷兰阿姆斯特丹城市为例子筛选： https://www.zoomeye.hk/： "country:"NL"+city:"Amsterdam"+app:"Cloudflare"+po ...

在此前一篇文章【PointPillars】环境部署全纪实中介绍了原始Pointpillars作者部署模型的方法，由于仓库代码较老软件包版本适配上带来了很多麻烦。更糟糕的是，作者提供了KITTIVIEW可视化方法，利用web进行可视化，然而web集成度高，数据替换难，为后续更换数据带来很多不便。因此今天尝试使用Openpcdet部署pointpillars并实现数据的可视化。 基于KITTI集OpenPCDet框架Pointpillars训练 版本信息 成功验证版本： 显卡型号：3080ti cuda：11.3 python：3.8 pytorch：1.12.0 kornia：0.6.8 open3d：0.18.0（有说0.11.0好的，但是实际上过旧的包scikit-learn包报错会出问题） numpy：1.24.x Deploy Cuda安装 见之前的文章，不同版本同理，wget+sh安装，不赘述。 Pytorch环境搭建 新建环境 1conda create -n opcnet python==3.8 激活环境 12source activateco ...

Linux进程 进程和程序的区别 程序：指的是编译好的可执行文件，存放在磁盘上指令和数据的有序集合，程序是静态的，没有任何执行的概念，例如编译源文件之后的a.out文件、exe文件等。 进程：一个独立可调度的任务，执行一个程序所分配资源的总称，进程是程序的一次执行过程，进程是动态的，包括创建、调度、执行和消亡。 程序包含正文段、用户数据段，而进程除了包含这两个，还包括系统数据段，例如程序计数器（或称指令计数器，PC）存储下一条指令的地址、CPU的所有寄存器值（用于控制和计算等）、存储临时数据的进程堆栈等。 进程的结构 进程的标识：进程号（Process Identity Number,PID），例如我们在Linux使用不挂起nohup操作，会返回一个进程号，能够唯一地标识一个进程让我们找到。 操作系统记录了进程的PID，还会标识进程所属用户的UID，记录该进程分配的资源（内存、IO设备、文件）、进程的运行情况（CPU、磁盘、网络使用）等，这些都被记录在进程控制块（Process Control Block，PCB）中。 Linux进程包含三个段(这是给进程自身使用的 ...

以下所有内容编排按照Carl开源的算法攻略进行，感谢博主悉心的内容挑选和顺序编排。编程语言为C++； 回溯算法篇 回溯算法是一种经典的算法，旨在让计算机穷尽各种可能，广泛用于处理组合问题、子集问题、排列问题等等，回溯算法可以被设计得很精妙，开始时难以理解是不可避免的，关键还是从基本题目入手，逐渐体会其中原理，Carl以及其他算法博客已经把规律总结很好，本篇文章只是记录而并非教程；虽然回溯算法很巧妙，但是代码写法一般比较固化，回溯算法普遍使用的算法模板如下： 12345678910111213141516travel(){ if(//每次递归结束的条件) //深度控制，不可能无限向下递归 ..... return； //递归套循环是很常见的事情，递归控制搜索的深度，循环控制单次处理时的广度 for(){ //决策 //标记 ...... //travel //取消决策 //取消标记 ...... } ......} 有人把递 ...

1. Qt基本文件组成 1. .pro项目文件 Qt版本不同，内容略有差异。如5.14版本，记录了模块、编译器版本、编译文件、输出路径等信息。 12345678910111213141516171819202122232425262728293031#4.x版本的Qt的gui与widgets是合并的，在5.x中分开了，模块化编程要载入。QT += core guigreaterThan(QT_MAJOR_VERSION, 4): QT += widgets#编译器版本CONFIG += c++11# The following define makes your compiler emit warnings if you use# any Qt feature that has been marked deprecated (the exact warnings# depend on your compiler). Please consult the documentation of the# deprecated API in order to know how ...

目的：使用加法器，将两个输入数据相加输出，并且在matlab中验证计算误差。 数据的获取 由于人工设定数据量小，而大批量数据设定麻烦，因此要提前做处理。思路是利用两块RAM来存储起始数据，输入到加法器进行相加。Quartus可以使用mif文件进行RAM的初始化，vivado则可使用coe文件进行初始化。 为了使数据有一定的随机性又不失规律性，我们对正弦波进行采样，以获取位宽为8，位深为1024的数据，实际上这并不是最佳建议，因为位宽为8而位深为1024意味着有很大部分的数据会重叠，但从验证角度而言我们选择忽略这个问题。 12345678910111213141516171819202122232425262728293031323334353637383940#include <stdio.h>#include <math.h>#define PI 3.141592#define depth 1024 /*数据深度，即存储单元的个数*/#define width 8 /*存储单元的宽度*/int main(void){ ...

PLL与MMCM FPGA中，外部时钟域与主时钟域不同步将导致各种各样的复杂情况的出现，因此异步时钟域的处理往往是一个重要的问题，也有各种各样的解决办法，如特定的握手协议、异步FIFO、双时域同步器、锁相环等。锁相环（PLL，Phase-Locked Loop）是一种能够自动跟踪输入信号相频，从而实现信号同步的电路，主要由鉴相器（PD，Phase Detector）、环路滤波器（LF，Loop Filter）、压控振荡器（VCO，Voltage Controlled Oscillator）组成。模拟鉴相器是一个乘法器，能够将相位差信号转换成控制电压，环路滤波是一个低通滤波器，平滑控制电压的变化，调节VCO的响应速度和稳定性，对能否锁相起到至关重要的作用。一种常用的压控振荡器通过变容二极管实现，根据不同的电压电容容值发生变化，从而实现了不同频率信号的输出，最后锁相环电路输出信号将实现与输入信号同步。 Altera公司IP核采用了PLL，赛灵思公司则采用了混合模式时钟管理（MMCM，Mixed-Mode Clock Manager），MMCM中集成了PLL以及其他部件，实现 ...

PointPillars是一个基于激光雷达点云的3D目标检测模型，兼顾了检测精度和检测效率。由于仓库代码比较老了，部署过程也遇到了不少问题，特此记录。 （由于显卡型号、系统架构等问题该记录不具备普适性，注意甄别）。 云平台环境：Ubuntu 18.04（X64架构）、GTX 1080ti（显存10G以上）、Python 3.7版本（建议anaconda管理） Cuda Installation Cuda：验证版本11.1,可以说很多问题都与Cuda版本有关（或Cuda与软件包版本）。 其他版本相关问题如下： Cuda 12.x：报错numba软件包的IR version不兼容。 Cuda 10.1：编译SparseConvNet时报错，理由是10.1不兼容C++ 17。 Cuda 11.7：训练报错/usr/include/boost/math/constants/constants.hpp:265:1007: error: template argument 2 is invalid+一堆boost文件error，实际上与boost（1.65）没关系，更 ...

以下所有内容编排按照Carl开源的算法攻略进行，感谢博主悉心的内容挑选和顺序编排。编程语言为C++； 数组篇 1. 原地删除某个元素值 给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。 不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。 元素的顺序可以改变。不需要考虑数组中超出新长度后面的元素。 快慢指针： 1234567891011121314class Solution {public: int removeElement(vector<int>& nums, int val) { int slow = 0; //慢指针 for(int fast=0; fast<nums.size(); fast++){ if(nums[fast]==val) continue; nums[slow] = nums[fast]; //不等才拷贝快指 ...