Detecção e Remoção de Objetos em Cenas de Nuvens de Pontos com MMDetection3D.

Este projeto documenta o processo de configuração de um ambiente de desenvolvimento para o processo de inferência de detecção e remoção de objetos em nuvens de pontos, utilizando ferramentas como WSL 2.0, Ubuntu, Miniconda, CUDA Toolkit, PyTorch, MMDetection3D, e outras bibliotecas essenciais.

Índice

1. Configuração do WSL 2.0 e Ubuntu 22.04.3 LTS
2. Instalação e Integração do Visual Studio Code com WSL
3. Configuração do Ambiente Miniconda
4. Instalação do CUDA Toolkit e Pacotes Essenciais
5. Instalação e Configuração do MMDetection3D
6. Detecção e Inferência das Caixas Delimitadoras

Configuração do WSL 2.0 e Ubuntu 22.04.3 LTS

1. Habilitar o Windows Subsystem for Linux (WSL) executando o comando abaixo no PowerShell:

   wsl --install

2. Após a reinicialização do sistema, instale o Ubuntu 22.04.3 LTS da Microsoft Store.

3. Configure o Ubuntu criando um usuário e senha conforme solicitado.

Instalação e Integração do Visual Studio Code com WSL

1. Baixe e instale o Visual Studio Code diretamente do site oficial.
2. Instale a extensão Remote - WSL no Visual Studio Code.
3. Inicie um terminal no ambiente Ubuntu diretamente pelo Visual Studio Code para facilitar a integração.

Configuração do Ambiente Miniconda

1. Baixe e instale o Miniconda no terminal Ubuntu com os comandos:

   wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh 
   bash Miniconda3-latest-Linux-x86_64.sh

2. Crie um ambiente Conda com Python 3.8 e ative-o:

   conda create -n myenv python=3.8
   conda activate myenv

Instalação do CUDA Toolkit e Pacotes Essenciais

1. Instale o CUDA Toolkit 11.8 com o comando:

   conda install -c nvidia -c defaults cudatoolkit=11.8

2. Instale o PyTorch e demais bibliotecas essenciais:

   conda install pytorch=2.0.0 torchvision=0.15.0 torchaudio=2.0.0 pytorch-cuda=11.8 -c pytorch -c nvidia

3. Instale dependências adicionais no Ubuntu:

   sudo apt-get install ffmpeg libsm6 libxext6 git ninja-build libglib2.0-0 libsm6 libxrender-dev libxext6

Instalação e Configuração do MMDetection3D

1. Clone o repositório MMDetection3D:

   git clone https://github.com/open-mmlab/mmdetection3d.git -b dev-1.x
   cd mmdetection3d

2. Instale dependências e MMDetection3D:

    pip install mmengine mmcv>=2.0.0rc4 mmdet>=3.0.0
    pip install -e .

Detecção e Inferência das Caixas Delimitadoras

1. Realize o downlaod do modelo pré-treinado se necessário.

   pip install -U openmim
   mim download mmdet3d --config votenet_8xb16_sunrgbd-3d.py --dest

2. Para realizar a inferência, assegure-se de que todo o ambiente está devidamente configurado com os pré-requisitos necessários e execute o seguinte comando no terminal:

   python ./mmdetection3d/demo/pcd_demo.py ./input.bin \
    ./votenet_8xb16_sunrgbd-3d.py \
    ./votenet_16x8_sunrgbd-3d-10class_20210820_162823-bf11f014.pth

Aqui estão os detalhes dos caminhos e parâmetros utilizados para a execução do comando:

• ./mmdetection3d/demo/pcd_demo.py: Caminho para o script de inferência disponibilizada. Carrega o modelo, processa a nuvem de pontos e gera previsões.
• ./input.bin: Arquivo contendo a nuvem de pontos a ser processada.
• ./votenet_8xb16_sunrgbd-3d.py: Arquivo de configuração do modelo, com definições e hiperparâmetros para a inferência.
• ./votenet_16x8_sunrgbd-3d-10class_20210820_162823-bf11f014.pth: Arquivo de checkpoint com os pesos do modelo treinado para inferência.

Referências

• MMDetection3D: OpenMMLab. (n.d.). MMDetection3D: Open-source toolbox for 3D object detection. GitHub repository. Disponível em: https://github.com/open-mmlab/mmdetection3d
• CUDA Toolkit: NVIDIA. (n.d.). CUDA Toolkit Documentation. NVIDIA Developer. Disponível em: https://developer.nvidia.com/cuda-toolkit
• PyTorch: PyTorch Team. (n.d.). PyTorch: An open-source machine learning framework. Disponível em: https://pytorch.org/
• Miniconda: Anaconda Inc. (n.d.). Miniconda - A free minimal installer for conda. Disponível em: https://docs.conda.io/en/latest/miniconda.html
• Ubuntu: Canonical Ltd. (n.d.). Ubuntu 22.04 LTS. Disponível em: https://ubuntu.com/download
• WSL 2: Microsoft. (n.d.). Windows Subsystem for Linux Documentation. Disponível em: https://learn.microsoft.com/en-us/windows/wsl/
• Visual Studio Code: Microsoft. (n.d.). Visual Studio Code Documentation. Disponível em: https://code.visualstudio.com/docs