centerpoint训练过程

原文已经发表在知乎，辛苦移步～《centerpoint训练过程》

最近几天把centerpoint的训练流程又走了一遍，记录笔记如下。

算法版本：
用的centerpoint版本配置是：cpdet_0.2_84.8m_dv_bev_second_secfpn_dw4_4cls_1tsk，也就是栅格大小0.2米，检测范围84.8米，动态体素化，bev pillar模式，second和secfpn分别是backbone和neck，４倍下采样，４个类别，１tsk就是所有类别在一起预测。按经验来看，不同类别分开预测效果会更好，例如车和行人，大小是不一样的，4倍下采样也就是意味着0.8米的栅格内只能存在一个目标，对小目标不太友好。不过做实验，就拿了以前用过的一版配置直接就跑起来了。

数据集：
数据集一：以前项目中使用的数据量有大几十万帧，但由于算力和时间有限，取了其中的2万帧做实验。类别有四类：机动车，非机动车，行人，交通锥桶。评测集有2k帧。
数据集二：在数据集一的基础之上，再叠加四万帧，共６万帧。类别同上。评测集也同上。主要是测试一下数据量增加后会对效果产生什么影响。
训练步骤：
1，版本一：就是base版本，用数据集一直接跑，看看2万帧能跑出什么指标来。共跑了10个epoch，单3090卡跑一个epoch得2.5小时。指标如下图，mAP计算用bev iou的阈值是：Car(0.5) Pedestrian(0.25) Bicycle(0.25) TrafficCone(0.25)，括号后面是匹配的IOU。详细指标放在文末的附录中。