企业官网建设流程全解析

阿里云外贸建站,胶州网,如何做魔道祖师网站,网站开发 工作#x1f4cc; 测试用例 PythonAPI/examples/bounding_boxes.py 这是一个 2D/3D 边界框#xff08;Bounding Box#xff09;生成与可视化系统#xff0c;用于#xff1a; 在仿真中生成大量 NPC 车辆通过 RGB 摄像头 实例分割摄像头 获取场景数据实时计算并绘制 2D/3D 边… 测试用例PythonAPI/examples/bounding_boxes.py这是一个2D/3D 边界框Bounding Box生成与可视化系统用于在仿真中生成大量 NPC 车辆通过RGB 摄像头 实例分割摄像头获取场景数据实时计算并绘制 2D/3D 边界框将边界框、速度、灯光状态等结构化数据保存为 JSON适用于自动驾驶感知算法训练、数据集生成、传感器融合验证。carla_boundingboxes3D box 有些异常使用时请检查、增加后处理等 主要模块解析1.数据结构定义EDGES定义 3D 边界框的 12 条边连接顺序8 个顶点 → 12 条边SEMANTIC_MAPCARLA 语义标签 ID 到类别名和颜色的映射如14: (car, (0,0,142))✅ 支持28 类语义标签覆盖道路、车辆、行人、交通设施等。2.坐标变换与投影build_projection_matrix()构建相机内参矩阵K 矩阵get_image_point()将 3D 世界坐标 → 相机坐标 → 2D 图像坐标处理 CARLA 特有的坐标系转换(x,y,z) → (y,-z,x)point_in_canvas()判断 2D 点是否在图像范围内 这是3D→2D 投影的核心数学工具。3.实例分割解码defdecode_instance_segmentation(img_rgba):semantic_labelsimg_rgba[...,2]# R 通道存语义标签actor_ids...# GB 通道组合为 Actor ID利用sensor.camera.instance_segmentation输出的 RGBA 图像R 通道语义类别 IDGB 通道Actor 唯一 ID16 位✅ 实现像素级实例识别为每个物体生成独立掩码。4.2D 边界框生成defbbox_2d_for_actor(actor,actor_ids,semantic_labels):mask(actor_idsactor.id)ys,xsnp.where(mask)return(xmin,ymin,xmax,ymax)基于实例分割掩码计算轴对齐 2D 边界框AABB5.3D 边界框生成defbbox_3d_for_actor(actor,ego,camera_bp,camera):# 1. 获取 8 个 3D 顶点的世界坐标vertsactor.bounding_box.get_world_vertices(...)# 2. 投影到 2D 图像处理相机后方的点foredgeinEDGES:p1get_image_point(verts[edge[0]],K,world_2_camera)...projection.append((p1x,p1y,p2x,p2y))# 3. 计算相对 ego 的 3D 信息return{center:{x,y,z},# 相对位置dimensions:{l,w,h},# 尺寸rotation_yaw:...,# 相对偏航角projection:[...]# 12 条边的 2D 投影}✅ 输出完整的 3D 检测所需参数支持后续 3D 目标检测训练。6.可视化系统visualize_2d_bboxes()在 RGB 图像上绘制矩形框 类别标签visualize_3d_bboxes()绘制 3D 边界框的 12 条边 标签 通过2/3键实时切换 2D/3D 可视化模式。7.结构化数据导出每帧保存 JSON 文件包含{frame_id:123,objects:[{id:456,class:car,velocity:{x:2.1,y:-0.3,...},bbox_3d:{center:{...},dimensions:{...},rotation_yaw:1.2},bbox_2d:{xmin:100,ymin:200,...},light_state:{brake:true,left_blinker:false,...}}]} 按R键启动录制生成_out/目录下的 PNG JSON 对。8.仿真环境配置同步模式确保传感器数据与时序严格对齐双摄像头sensor.camera.rgb获取原始图像sensor.camera.instance_segmentation获取实例 ID 图100 辆 NPC创建密集交通场景距离过滤仅处理 50 米内的车辆可配置 核心应用场景应用如何使用本脚本输出2D 目标检测训练使用bbox_2d RGB 图像3D 目标检测训练使用bbox_3d参数中心、尺寸、朝向多目标跟踪MOT利用actor.id实现跨帧关联行为预测结合velocity和light_state转向灯、刹车灯合成数据集生成带精确标注的 PNGJSON 对⚠️ 技术点3D 边界框正确投影处理相机后方的顶点使用is_behind_cameraTrue的投影矩阵避免 3D 框在图像边缘出现断裂相对坐标系所有 3D 信息位置、速度、朝向均相对于 ego 车辆符合自动驾驶感知系统的输入要求灯光状态编码解析VehicleLightState为结构化字典提供意图线索如左转灯亮 → 可能左转✅ 总结该脚本是 CARLA感知数据生成的工业级范例展示了如何融合RGB 实例分割获取像素级物体 ID如何从仿真中提取精确的 2D/3D 边界框如何导出结构化、可直接用于训练的标注数据它是构建自动驾驶感知 pipeline的关键工具特别适合生成带 3D 标注的合成数据集。