点云目标检测介绍

点云目标检测算法是指输入为原始点云，输出为场景中目标的算法，如下图所示。

目前主流的点云目标检测分为3个方向：

	原理	图示	代表论文	是否适合自动驾驶场景
Point based	使用PointNet++等网络获得点云的特征向量（FPS降采样+ball query获取临域点+conv/fc特征映射）在少量的具有高维特征向量的点云上进行目标检测		PointRCNN STD 3D SSD Fast Point RCNN	❌
voxel based	将三维空间划分为pillar/voxel，将点云投影到pillar/voxel 生成BEV特征图，使用2d检测头进行检测		VoxelNet PointPillars SECOND CenterPoint Part-A^2 CenterFormer	☑️
point-voxel based	point based方法获得点的特征向量 voxel based方法获得voxel的特征向量将点的特征和voxel的特征进行融合		PV-RCNN SA-SSD PV-RCNN++	❌

目前Apollo中有4个lidar检测模型：

	框架	原理
CNNSeg	caffe	模型预测每个像素偏移量/类别信息等基于并查集的目标检测算法
PointPillars	torch	voxel based方法投影到pillar+bev特征+SSD检测头
MaskPillars	torch	在pointpillars基础上，添加了一个auxiliary supervision，预测每个bev像素点是否有目标框覆盖
CenterPoint	paddle	voxel based方法投影到pillar+bev特征+CenterNet检测头

在使用过程中，用户在以下情况时需要自主训练并部署新的模型：

修改超参数 / 网络结构以提升3d检测效果
使用新的数据集训练模型，以提升对于某些特定类别的3d检测效果

目前Apollo推荐用户使用CenterPoint模型（paddlepaddle），用户可以使用Paddle3D开源代码库，快速方便地对centerpoint模型进行训练。本节课内容将分为以下几个部分，使用户能够自主训练lidar模型，并部署到apollo中进行检测。

CenterPoint模型原理介绍
Paddle3D训练CenterPoint
导出CenterPoint并在Apollo中部署

一、CenterPoint模型介绍

1.原理介绍

centerpoint论文链接：Center-based 3D Object Detection and Tracking

CenterPoint是Anchor-Free的三维物体检测器，以点云作为输入，将三维物体在Bird-View下的中心点作为关键点，基于关键点检测的方式回归物体的尺寸、方向和速度。相比于Anchor-Based的三维物体检测器，CenterPoint不需要人为设定Anchor尺寸，面向物体尺寸多样不一的场景时其精度表现更高，且简易的模型设计使其在性能上也表现更加高效。

算法整体流程如下所示：

首先对输入的点云进行体素化（voxelization），也即将点云投影到pillar或者voxels中

随后使用fully connection layer / 3d sparse convolution 提取pillar / voxels中的特征

使用max pooling操作将pillar / voxels的特征“压缩”到BEV平面，获得BEV特征图
使用Second Backbone和Second Neck提取BEV的特征

head部分：
- 采用anchor-free的预测方式，直接预测目标的center位置
- 每个不同的类别使用不同head进行预测
- 预测内容包括：
  - 目标中心位置 heatmap
  - 目标中心和所在像素左上角的偏移量 offset
  - 目标的长宽高 dim
  - 目标center在激光雷达坐标系中的高度坐标 z
  - 目标在激光雷达坐标系中的旋转角 rot

模型训练：
- heatmap训练使用Guassian Focal Loss
- 其他参数的训练使用Smooth L1 Loss

2.Apollo实现

apollo使用开源框架Paddle3D训练centerpoint模型，和原论文相比包括如下差异：

对模型的前后处理做了性能优化。CenterPoint-Pillars在nuScenesval set上精度有50.97mAP，速度在Tesla V100上达到了50.28FPS。
提供KITTI数据集上的训练配置和Baseline。CenterPoint-Pillars在KITTI val set上精度达到64.75 mAP，速度在Tesla V100上达到了43.96FPS。
未提供第二个阶段的实现。在原论文中，作者还设计了第二个阶段来进一步精炼物体的位置、尺寸和方向，并在Waymo数据集上做了验证。Paddle3D目前还未适配Waymo数据集，所以第二个阶段暂未实现。
使用几十万的百度自动驾驶数据对CenterPoint进行了训练，提供了在城市道路场景效果更好的CenterPoint模型

3.指标说明

CenterPoint在nuScenes Val set数据集上的表现

Model	Voxel Format	mAP	NDS	V100 TensorRT FP32(FPS)	V100 TensorRT FP16(FPS)	Download	Log
CenterPoint	2D-Pillars	50.97	61.30	50.28	63.43	model	log vdl
CenterPoint	3D-Voxels	59.25	66.74	21.90	26.93	model	log vdl

CenterPoint在KITTI Val set数据集上的表现

模型	体素格式	3DmAP Mod.	Car Easy Mod. Hard	Pedestrian Easy Mod. Hard	Cyclist Easy Mod. Hard	V100 TensorRT FP32(FPS)	V100 TensorRT FP16(FPS)	模型下载	配置文件	日志
CenterPoint	2D-Pillars	64.75	85.99 76.69 73.62	57.66 54.03 49.75	84.30 63.52 59.47	43.96	74.21	model	config	log \| vdl
模型	体素格式	BEVmAP Mod.	Car Easy Mod. Hard	Pedestrian Easy Mod. Hard	Cyclist Easy Mod. Hard	V100 TensorRT FP32(FPS)	V100 TensorRT FP16(FPS)	模型下载	配置文件	日志
CenterPoint	2D-Pillars	71.87	93.03 87.33 86.21	66.46 62.66 58.54	86.59 65.62 61.58	43.96	74.21	model	config	log \| vdl

4.效果图

二、CenterPoint训练

centerpoint的完整训练流程可参考AI Studio项目：【自动驾驶实战】基于Paddle3D&Apollo的Lidar目标物检测-飞桨AI Studio星河社区

1.Paddle3D的安装

Paddle3D是飞桨官方开源的端到端深度学习3D感知套件，涵盖了许多前沿和经典的3D感知模型，支持多种模态和多种任务，可以助力开发者便捷地完成『自动驾驶』领域模型从训练到部署的全流程应用。

代码库地址：https://github.com/PaddlePaddle/Paddle3D

Paddle3D安装教程：https://github.com/PaddlePaddle/Paddle3D/blob/develop/docs/installation.md

2.训练配置介绍

centerpoint的相关配置在https://github.com/PaddlePaddle/Paddle3D/tree/develop/configs/centerpoint中接下来将以centerpoint_pillars_016voxel_kitti.yml为例，介绍训练配置

3.基础配置

配置名称	默认值	含义
batch_size	4	训练时一个batch包含的点云帧数
val_batch_size	1	评测时一个batch包含的点云帧数
epochs	160	epoch个数

4.AMP配置 amp_cfg

自动混合精度（Automatic Mixed Precision，以下简称为 AMP）指的是在训练时使用fp16精度，提升计算速度并降低存储空间。详细介绍参考：https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/performance_improving/amp_cn.html

配置名称	默认值	含义
use_amp	False	是否开启amp训练
enable	False	-
level	O1	混合精度训练的策略，可选项：O1，O2
scalerinit_loss_scaling	32.0	控制 loss 缩放比例，规避浮点数下溢问题

5.数据集配置 train_dataset / val_datasets

配置名称			默认值	含义
type			KittiPCDataset	数据集类型
dataset_root			数据集的路径	datasets/KITTI
transforms	LoadPointCloud	dim	4	每个点的特征数，一般为x, y, z, intensity
	LoadPointCloud	use_dim	4	使用每个点的前use_dim个特征
	RemoveCameraInvisiblePointsKITTI		-	删除相机看不见区域的点云
	SamplingDatabase	min_num_points_in_box_per_class	Car: 5Cyclist: 5Pedestrian: 5	每种类别的目标的最少点数
		max_num_samples_per_class	Car: 15Cyclist: 10	每帧点云中每种类别目标的最大个数
		ignored_difficulty	[-1]	困难程度限制
		database_anno_path	datasets/KITTI/kitti_train_gt_database/anno_info_train.pkl	anno_info_train.pkl的路径
		database_root	datasets/KITTI/	数据集的路径
		class_names	["Car", "Cyclist", "Pedestrian"]	类别信息
	RandomObjectPerturb	rotation_range	[-0.15707963267, 0.15707963267]	gt随机旋转的角度范围
		translation_std	[0.25, 0.25, 0.25]	gt随机平移的标准差
		max_num_attempts	100	最大候选数量
	RandomVerticalFlip		-	开启随机竖直翻转
	GlobalRotate	min_rot	-0.78539816	全局旋转的最小旋转角
	GlobalRotate	max_rot	0.78539816	全局旋转的最大旋转角
	GlobalScale	min_scale	0.95	全局缩放的最小缩放因子
	GlobalScale	max_scale	1.05	全局缩放的最大缩放因子
	GlobalTranslate	translation_std	[0.2, 0.2, 0.2]	全局平移的标准差
	ShufflePoint		-	打乱点云的顺序
	FilterBBoxOutsideRange	point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	过滤范围外的gt
	Gt2CenterPointTarget	tasks	- num_class: 1class_names: ["Car"]- num_class: 2class_names: ["Cyclist", "Pedestrian"]	centerpoint的head设置
		down_ratio	2	下采样倍率
		point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	点云范围
		voxel_size	[0.16, 0.16, 4]	voxel的尺寸
		gaussian_overlap	0.1	高斯重叠数值
		max_objs	500	一帧最多允许的gt数量
		min_radius	2	生成heatmap时每个gt的最小半径
mode			train	训练模式
class_balanced_sampling			False	开启类别采样
class_names			["Car", "Cyclist", "Pedestrian"]	类别信息

SamplingDatabase

数据增强之前	数据增强之后

6.优化器配置 optimizer

配置名称		默认值	含义
type		OneCycleAdam	优化器类型
beta2		0.99	beta2
weight_decay		0.01	衰减系数
grad_clip	type	ClipGradByGlobalNorm	梯度裁剪
grad_clip	clip_norm	35	梯度裁剪
beta1	type	OneCycleDecayWarmupMomentum	动量设置
	momentum_peak	0.95
	momentum_trough	0.85
	step_ratio_peak	0.4

7.学习率设置 lr_scheduler

配置名称	默认值	含义
type	OneCycleWarmupDecayLr	学习率类型
base_learning_rate	0.001	初始学习率
lr_ratio_peak	10	最大学习率的比例因子
lr_ratio_trough	0.0001	最小学习率的比例因子
step_ratio_peak	0.4	到达最大值的step比例

8.模型配置 model

配置名称		默认值	含义
type		CenterPoint	模型名称
voxelizer	type	HardVoxelizer	体素化方法
	point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	点云范围
	voxel_size	[0.16, 0.16, 4]	voxel尺寸
	max_num_points_in_voxel	100	每个voxel中最多的点数
	max_num_voxels	[12000, 40000]	训练/推理时voxel数量
voxel_encoder	type	PillarFeatureNet	voxel_encoder名称
	in_channels	4	输入的channel数量
	feat_channels	[64, 64]	fc层的输出channel
	with_distance	False	是否使用distance特征
	max_num_points_in_voxel	100	每个voxel中最多的点数
	voxel_size	[0.16, 0.16, 4]	voxel尺寸
	point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	点云范围
middle_encoder	type	PointPillarsScatter	middle_encoder名称
	in_channels	64	输入channel数量
	voxel_size	[0.16, 0.16, 4]	voxel尺寸
	point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	点云范围
backbone	type	SecondBackbone	backbone名称
	in_channels	64	输入channel
	out_channels	[64, 128, 256]	每个stage的输出channel
	layer_nums	[3, 5, 5]	每个stage的卷积层个数
	downsample_strides	[1, 2, 2]	每个stage的降采样步长
neck	type	SecondFPN	neck名称
	in_channels	[64, 128, 256]	输入channel
	out_channels	[128, 128, 128]	输出channel
	upsample_strides	[0.5, 1, 2]	上采样步长
	use_conv_for_no_stride	True	是否在未上采样处使用卷积层
bbox_head	type	CenterHead	head名称
	in_channels	384	输入channel
	tasks	- num_class: 1class_names: ["Car"]- num_class: 2class_names: ["Cyclist", "Pedestrian"]	head设置
	weight	0.25	定位损失的权重
	code_weights	[1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]	8种定位属性的权重
	common_heads	reg: [2, 2]height: [1, 2]dim: [3, 2]rot: [2, 2]	4种head的设置
test_cfg	post_center_limit_range	[-10., -50., -10., 80., 50., 10.]	dt center的范围
	nms_pre_max_size	1000	nms之前的dt数量
	nms_post_max_size	83	nms之后的dt数量
	nms_iou_threshold	0.1	nms iou阈值
	score_threshold	0.1	置信度阈值
	point_cloud_range	[0, -39.68, -3, 69.12, 39.68, 1]	点云范围
	down_ratio	2	下采样倍率
	voxel_size	[0.16, 0.16, 4]	voxel尺寸

9.训练流程介绍

1）数据准备

接下来以KITTI数据集为例，训练CenterPoint模型

首先请在官网进行下载相关数据

- Download Velodyne point clouds, if you want to use laser information (29 GB)
- training labels of object data set (5 MB)
- camera calibration matrices of object data set (16 MB)

并下载数据集的划分文件列表：

wget https://bj.bcebos.com/paddle3d/datasets/KITTI/ImageSets.tar.gz

kitti_dataset_root
|—— training
|   |—— label_2
|   |   |—— 000001.txt
|   |   |—— ...
|   |—— calib
|   |   |—— 000001.txt
|   |   |—— ...
|   |—— velodyne
|   |   |—— 000001.bin
|   |   |—— ...
|—— ImageSets
│   |—— test.txt
│   |—— train.txt
│   |—— trainval.txt
│   |—— val.txt

在Paddle3D的目录下创建软链接datasets/KITTI，指向到上面的数据集目录:

mkdir datasets
ln -s /path/to/kitti_dataset_root ./datasets
mv ./datasets/kitti_dataset_root ./datasets/KITTI

生成训练时数据增强所需的真值库:

python tools/create_det_gt_database.py --dataset_name kitti --dataset_root ./datasets/KITTI --save_dir ./datasets/KITTI

--dataset_root指定KITTI数据集所在路径，--save_dir指定用于保存所生成的真值库的路径。该命令执行后，save_dir生成的目录如下：

kitti_train_gt_database
|—— anno_info_train.pkl
|—— Car
|   |—— 4371_Car_7.bin
|   |—— ...
|—— Cyclist

注：如果想用自己的数据集进行训练，推荐将自己的数据集组织为KITTI标准格式。

2）训练

KITTI数据集上的训练使用8张GPU：

python -m paddle.distributed.launch --gpus 0,1,2,3,4,5,6,7 tools/train.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti.yml --save_dir ./output_kitti --num_workers 4 --save_interval 5

训练启动参数介绍：

参数名	用途	是否必选项	默认值
iters	训练迭代步数	否	配置文件中指定值
epochs	训练迭代次数	否	配置文件中指定值
batch_size	单卡batch size	否	配置文件中指定值
learning_rate	初始学习率	否	配置文件中指定值
config	配置文件路径	是	-
save_dir	检查点（模型和visualdl日志文件）的保存根路径	否	output
num_workers	用于异步读取数据的进程数量，大于等于1时开启子进程读取数据	否	2
save_interval	模型保存的间隔步数	否	1000
do_eval	是否在保存模型时启动评估	否	否
log_interval	打印日志的间隔步数	否	10
resume	是否从检查点中恢复训练状态	否	None
keep_checkpoint_max	最多保存模型的数量	否	5
quant_config	量化配置文件，一般放在configs/quant目录下	否	None
seed	Paddle/numpy/random的全局随机种子值	否	None
model	基于预训练模型进行finetune	否	.pdparam模型文件

3）评估

python tools/evaluate.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti.yml --model ./output_kitti/epoch_160/model.pdparams --batch_size 1 --num_workers 4

注意：CenterPoint的评估目前只支持batch_size为1。评估启动参数介绍如下所示：

参数名	用途	是否必选项	默认值
batch_size	单卡batch size	否	配置文件中指定值
config	配置文件路径	是	-
model	模型参数文件的路径	是	-
num_workers	用于异步读取数据的进程数量，大于等于1时开启子进程读取数据	否	2
quant_config	量化配置文件，一般放在configs/quant目录下	否	None

4）训练过程可视化

Paddle3D使用VisualDL来记录训练过程中的指标和数据，我们可以在训练过程中，在命令行使用VisualDL启动一个server，并在浏览器查看相应的数据

# logdir需要和训练脚本中指定的save_dir保持一致
visualdl --logdir output

5）导出模型介绍

运行以下命令，将训练时保存的动态图模型文件导出成推理引擎能够加载的静态图模型文件。

python tools/export.py --config configs/centerpoint/centerpoint_pillars_016voxel_kitti.yml --model /path/to/model.pdparams --save_dir /path/to/output

导出脚本参数介绍

参数名	用途	是否必选项	默认值
config	配置文件路径	是	-
model	模型参数路径	否	-
export_for_apollo	是否用于Apollo部署，当打开该开关时，会同步生成用于Apollo部署的meta文件	否	False
save_dir	推理模型文件的保存路径	否	exported_model
save_name	推理模型文件的保存名字	否	None(由各模型自定决定)
quant_config	量化配置文件，一般放在configs/quant目录下，如果模型使用量化训练，则在模型导出时同样需要指定量化配置文件	否

运行完成之后，会输出如下的文件

|-- centerpoint_pillars_016voxel_kitti
    |-- apollo_deploy.yaml  
    |-- centerpoint.pdiparams  
    |-- centerpoint.pdiparams.info  
    |-- centerpoint.pdmodel

三、部署CenterPoint到Apollo中

接下来介绍如何将导出的centerpoint模型部署到apollo中，使用centerpoint模型进行3d目标检测

1.CenterPoint部署配置

首先介绍一下centerpoint部署的配置，配置文件路径：/apollo/modules/perception/lidar_detection/data/center_point_param.pb.txt

# center point params
info {
  name: "center_point"
  version: ""
  dataset: "apollo"
  task_type: Detection3D
  sensor_type: Lidar
  framework: PaddlePaddle
  proto_file {
    file: "centerpoint.pdmodel"
  }
  weight_file {
    file: "centerpoint.pdiparams"
  }
  inputs {name: "data"}
  outputs {name: "_generated_var_9"}
  outputs {name: "_generated_var_10"}
  outputs {name: "_generated_var_11"}
}
preprocess {
  gpu_id: 0
  normalizing_factor: 255
  num_point_feature: 4
  enable_ground_removal: false
  ground_removal_height: -1.5
  enable_downsample_beams: false
  downsample_beams_factor: 1
  enable_downsample_pointcloud: true
  downsample_voxel_size_x: 0.09
  downsample_voxel_size_y: 0.09
  downsample_voxel_size_z: 0.09
  enable_fuse_frames: false
  num_fuse_frames: 5
  fuse_time_interval: 0.5
  enable_shuffle_points: false
  max_num_points: 2147483647
  reproduce_result_mode: false
  enable_roi_outside_removal: false
}
postprocess {
  score_threshold: 0.25
  num_output_box_feature: 7
  bottom_enlarge_height: 0.25
  top_enlarge_height: 0.25
  width_enlarge_value: 0
  length_enlarge_value: 0
}
paddle_settings {
  use_trt: false
  trt_precision: 1
  trt_use_static: true
  use_calibration: true
  collect_shape_info: false
  use_dynamicshape: true
  dynamic_shape_file: "modules/perception/lidar_detection/data/center_point_paddle/collect_shape_info_3lidar_20.pbtxt"
}
point2box_max_num: 5
quantize: 0.2

ModelInfo配置，文件路径：modules/perception/common/proto/model_info.proto

参数类型	参数名	默认值	含义
string	name	/	模型名称，同models/下文件夹名
string	framework	/	模型推理框架
string	ModelFile.proto_file	/	模型网络结构
string	ModelFile.weight_file	/	模型权重文件
string	ModelFile.anchors_file	/	anchor size
string	ModelBlob.inputs	/	模型输入数据名称及维度
int32	ModelBlob.outputs	/	模型输出数据名称及维度

PointCloudPreProcess：

参数类型	参数名	默认值	含义
int32	gpu_id	0	GPU的id
double	normalizing_factor	255	强度归一化的缩放因子
int32	num_point_feature	4	每个点的特征数量
bool	enable_ground_removal	false	是否过滤掉地面点
double	ground_removal_height	-1.5	过滤掉z值小于阈值的点
bool	enable_downsample_beams	false	是否根据beam id对点云进行过滤
int32	downsample_beams_factor	4	保留beam id为downsample_beams_factor的倍数的点云
bool	enable_downsample_pointcloud	false	是否根据voxel过滤点云
double	downsample_voxel_size_x	0.01	过滤时voxel的x方向长度
double	downsample_voxel_size_y	0.01	过滤时voxel的y方向长度
double	downsample_voxel_size_z	0.01	过滤时voxel的z方向长度
bool	enable_fuse_frames	false	是否融合多帧点云
int32	num_fuse_frames	5	融合点云的帧数
double	fuse_time_interval	0.5	融合点云的时间间隔
bool	enable_shuffle_points	false	是否打乱点云索引
int32	max_num_points	2147483647	允许的最大点云数量
bool	reproduce_result_mode	false	是否开启复现结果模式
bool	enable_roi_outside_removal	false	是否在输入模型之前将roi外的点云进行过滤

PointCloudPostProcess

参数类型	参数名	默认值	含义
float	score_threshold	0.5	置信度阈值
float	nms_overlap_threshold	0.5	NMS的iou阈值
int32	num_output_box_feature	7	输出障碍物的属性个数
float	bottom_enlarge_height	0.25	获取目标真实点云时向上扩充的范围
float	top_enlarge_height	0.25	获取目标真实点云时向下扩充的范围
float	width_enlarge_value	0	获取目标真实点云时宽度扩充的范围
float	length_enlarge_value	0	获取目标真实点云时长度扩充的范围

centerpoint独有的配置

参数类型	参数名	默认值	含义
ModelInfo	info	/	模型通用配置
PointCloudPreProcess	preprocess	/	预处理
PointCloudPostProcess	postprocess	/	后处理
int32	point2box_max_num	5	每个点最多可以属于多少个box
float	quantize	0.2	将尺寸量化为quantize的倍数

2.部署apollo并查看效果

apollo的环境搭建：https://apollo.baidu.com/community/article/1133

进入Docker环境

# 进入容器
aem enter
# 下载安装依赖包： 会拉取安装core目录下的cyberfile.xml里面所有的依赖包
# 同时会自动下载官方centerpoint模型并放置到指定位置
buildtool build --gpu

上述步骤部署的是apollo官方的centerpoint模型，如果要部署自己的centerpoint模型，需要将上一步中导出的文件放置到/apollo/modules/perception/data/models/center_point_paddle下面即可

|-- /apollo/modules/perception/data/models/center_point_paddle
    |-- apollo_deploy.yaml  
    |-- centerpoint.pdiparams  
    |-- centerpoint.pdiparams.info  
    |-- centerpoint.pdmodel

4.启动Dreamview

aem bootstrap start --plus

5.启动lidar感知程序

选择相应车型配置

启动transform模块

启动lidar感知模块

6.下载并播放感知包

方式一：在dreamview左下角点击resource manger，下载sensorrgb数据包，下载完成后选择sensorrgb数据包点击播放。

方式二：终端启动下载好的sensor_rgb数据包，下载链接参考开放资源record下载。

cyber_recorder play -f sensor_rgb.record

dreamview查看lidar检测结果

7.注意事项

1）如何使用自己训练的模型进行推理

使用amodel安装的centerpoint是使用百度自动驾驶数据训练的预训练模型
如果想要使用自己训练的模型进行推理，只需要将导出的.zip文件放到/apollo_workspace路径下，使用amodel安装即可

sudo ~/.local/bin/amodel install own_model.zip

2）自己训练的模型部署到apollo后没有输出结果

现象描述：部署了自己训练的模型之后，在dreamview上看不到障碍物
问题原因：没有修改模型的output_names
解决方法
- 使用visualdl命令查看导出的.pdmodel文件，查看最终输出的名称

- 在/apollo/modules/perception/lidar_detection/data/center_point_param.pb.txt中修改

outputs {name: "_generated_var_9"}
outputs {name: "_generated_var_10"}
outputs {name: "_generated_var_11"}

第四章：CenterPoint模型训练与部署