保姆级教程：用OpenOcc数据集在MMDetection3D上跑通你的第一个3D Occupancy模型

从零构建3D场景理解OpenOcc与MMDetection3D实战指南当自动驾驶汽车穿梭于复杂城市道路时它如何看见并理解周围被遮挡的物体这正是3D Occupancy预测技术要解决的核心问题。不同于传统3D检测仅识别物体包围框Occupancy模型将空间划分为体素网格预测每个网格是否被占据及语义类别能更精细地描述复杂场景。本文将手把手带您用OpenOcc数据集和MMDetection3D框架构建首个能理解三维空间占用状态的AI模型。1. 环境配置与数据准备1.1 搭建基础开发环境推荐使用conda创建隔离的Python环境避免依赖冲突。以下命令将安装PyTorch和CUDA工具包conda create -n openocc python3.8 -y conda activate openocc pip install torch1.12.1cu113 torchvision0.13.1cu113 -f https://download.pytorch.org/whl/torch_stable.htmlMMDetection3D框架需要额外安装mmcv和mmdetection3dpip install openmim mim install mmcv-full1.7.0 mim install mmdet2.28.1 mim install mmsegmentation0.30.0 git clone https://github.com/open-mmlab/mmdetection3d.git cd mmdetection3d pip install -v -e .注意CUDA版本需与PyTorch匹配若使用3090等安培架构显卡建议选择CUDA 11.3以上版本1.2 获取并解析OpenOcc数据集OpenOcc在nuScenes基础上扩展了3D体素标注数据集目录结构如下OpenOcc/ ├── occ_gt_release_v1_0 │ ├── train │ │ ├── scene-0001__frame-0001.npz │ │ └── ... │ ├── val │ ├── occ_gt_train.json │ └── occ_gt_val.json └── nuscenes ├── samples ├── sweeps ├── v1.0-trainval └── v1.0-test关键文件说明*.npz体素网格真值包含200×200×16的网格每个体素存储语义标签和占据状态occ_gt_*.json标注元数据包含相机参数、时间戳等场景信息nuscenes_infos_*.pklMMDetection3D所需的预处理数据索引2. 数据预处理实战2.1 转换标注格式OpenOcc的标注需要转换为MMDetection3D兼容的格式。使用以下脚本处理原始数据from mmdet3d.datasets import OpenOccDataset dataset OpenOccDataset( data_rootdata/OpenOcc, ann_filedata/OpenOcc/occ_gt_release_v1_0/occ_gt_train.json, pipelineNone, test_modeFalse ) dataset.create_data_infos(data/OpenOcc/nuscenes_infos_train.pkl)该过程会生成包含以下关键字段的.pkl文件字段名类型描述sample_idxint样本唯一IDlidar_pointsdict激光雷达点云路径及变换矩阵imagesdict六路相机图像路径及内外参occ_gt_pathstr体素标注文件路径2.2 构建数据流水线MMDetection3D通过Pipeline处理数据加载和增强。典型配置如下train_pipeline [ dict(typeLoadMultiViewImagesFromFiles, to_float32True), dict(typeLoadOccupancyGT, grid_size[200, 200, 16]), dict(typePhotoMetricDistortionMultiViewImage), dict(typeNormalizeMultiviewImage, mean[123.675, 116.28, 103.53], std[58.395, 57.12, 57.375]), dict(typePadMultiViewImage, size_divisor32), dict(typeDefaultFormatBundle3D, class_namesCLASSES), dict(typeCollect3D, keys[img, gt_occ]) ]提示体素网格尺寸(grid_size)需与模型head配置保持一致过大可能导致显存溢出3. 模型构建与训练3.1 配置Baseline模型我们采用基于摄像头的BEVFormer-Occ方案配置文件关键部分如下model dict( typeOccFormer, img_backbonedict( typeResNet, depth101, num_stages4, out_indices(1, 2, 3)), bev_encoderdict( typeBEVFormerEncoder, num_layers6, pc_range[-51.2, -51.2, -5.0, 51.2, 51.2, 3.0]), occ_headdict( typeOccHead, in_channels256, out_channels18, # 16语义类 1占据 1空 grid_size[200, 200, 16], loss_occdict( typeCrossEntropyLoss, use_sigmoidFalse, loss_weight1.0)) )主要参数说明pc_range点云范围(xmin, ymin, zmin, xmax, ymax, zmax)grid_size体素网格的W/H/D维度out_channels输出通道数语义类别数占据状态3.2 启动分布式训练使用8卡GPU进行分布式训练的命令./tools/dist_train.sh configs/occ/occformer_r101.py 8 --work-dir work_dirs/occformer训练过程监控指标指标名称正常范围说明loss_occ1.5-3.0体素分类损失acc0.7-0.85体素预测准确率miou0.4-0.6语义分割mIoU遇到显存不足时可减小batch_size或降低grid_size分辨率4. 可视化与性能评估4.1 结果可视化工具MMDetection3D提供体素可视化工具运行以下命令生成预测结果from mmdet3d.apis import init_model, inference_detector model init_model(configs/occ/occformer_r101.py, work_dirs/occformer/latest.pth) result inference_detector(model, demo/data/nuscenes/sample_CAM_FRONT.jpg) model.show_results(result, demo/result.ply)生成的.ply文件可用CloudCompare或MeshLab查看不同颜色代表不同语义类别红色车辆绿色植被蓝色道路黄色行人4.2 定量评估指标评估脚本会自动计算以下关键指标./tools/dist_test.sh configs/occ/occformer_r101.py work_dirs/occformer/latest.pth 8 --eval mIoUOpenOcc官方评估协议包含指标计算公式权重mIoUΣ(TP)/(Σ(TPFPFN))0.5mAccΣ(TP)/Σ(TPFP)0.3IoU_occ占据体素的IoU0.2在验证集上典型baseline模型的性能应达到mIoU: 42-46%mAcc: 65-70%IoU_occ: 55-60%5. 进阶优化技巧5.1 数据增强策略提升小物体识别效果的多尺度增强配置train_pipeline [ ... dict(typeRandomScaleImageMultiViewImage, scales[0.5, 0.8, 1.0, 1.2]), dict(typeRandomFlip3D, flip_ratio0.5), dict(typeOccupancyAug, rot_range[-0.785, 0.785], scale_ratio[0.9, 1.1]), ... ]5.2 模型微调技巧当显存受限时可采用以下策略梯度累积设置optimizer_config dict(typeFp16OptimizerHook, accumulative_counts2)混合精度添加fp16 dict(loss_scale512.)到配置稀疏卷积将密集体素预测改为稀疏预测可减少70%显存占用occ_headdict( typeSparseOccHead, voxel_size0.4, max_num_points500000)5.3 多模态融合方案结合激光雷达点云提升性能的配置示例model dict( typeMultiModalOcc, pts_voxel_layerdict( max_num_points10, voxel_size[0.2, 0.2, 0.2], max_voxels[120000, 160000]), pts_middle_encoderdict( typePointPillarsScatter, in_channels64, output_shape[512, 512]), fusion_neckdict( typeCrossModalTransformer, num_heads8, embed_dims256) )在实际项目中这种融合方案能使mIoU提升3-5个百分点尤其改善遮挡区域的预测效果。