Tutorial paso a paso sobre LiDAR

Aprenda a cargar datos de nubes de puntos, preprocesar conjuntos de datos, definir y entrenar redes, y generar detecciones.

Para poder seguir las explicaciones:

Productos requeridos

Cargue datos de nubes de puntos, etiquetas de cuadros delimitadores, y divida los conjuntos de entrenamiento y prueba.

Conceptos aprendidos: Cómo cargar datos de nubes de puntos y las etiquetas correspondientes

Cargar datos de nubes de puntos en forma de fileDatastore con la función pcread
Cargar etiquetas de cuadros delimitadores con la función boxLabelDatastore
Dividir los conjuntos de entrenamiento y prueba

Divida un conjunto de datos en conjuntos de entrenamiento y prueba, y descubra varias técnicas de aumento.

Conceptos aprendidos: Cómo dividir conjuntos de datos y aumentar datos

Dividir el conjunto de datos en conjuntos de entrenamiento y prueba
Usar el aumento de datos en los datos de entrenamiento, lo que incluye:
- Agregar aleatoriamente un número fijo de objetos de clase automóvil y camión a cada nube de puntos
- Invertir, escalar, rotar y trasladar la nube de puntos

Aprenda a definir cuadros de anclaje, pilares para la red PointPillars, y la red PointPillars.

Conceptos aprendidos: Cómo definir una red PointPillars para detección de objetos

Entrene el modelo en la red PointPillars o utilice un modelo previamente entrenado.

Conceptos aprendidos: Cómo entrenar el detector de objetos de PointPillars

Utilice la red entrenada para detectar objetos en los datos de prueba y muestre la nube de puntos con cuadros delimitadores.

Conceptos aprendidos: Cómo probar la red PointPillars en el conjunto de datos de prueba

Leer la nube de puntos a partir de los datos de prueba
Ejecutar el detector en la nube de puntos de prueba para obtener las puntuaciones de confianza y los cuadros delimitadores previstos
Mostrar la nube de puntos de salida detectada con cuadros delimitadores

Más información sobre Deep Learning