OpenPCDet训练自定义数据集时的通道维度不匹配问题解析

问题背景

在使用OpenPCDet框架训练自定义3D点云检测模型时，开发者经常会遇到输入通道维度不匹配的问题。这类问题通常表现为模型期望的输入通道数与实际提供的通道数不一致，导致训练过程中出现RuntimeError。

典型错误表现

最常见的错误信息形式为：

RuntimeError: Given groups=1, weight of size [64, 67, 1, 1], expected input[1, 3, 8192, 16] to have 67 channels, but got 3 channels instead

这表明卷积层期望接收67个通道的输入，但实际只提供了3个通道的数据。

根本原因分析

这种维度不匹配问题通常由以下几个配置错误导致：

1. 特征编码配置不当：在POINT_FEATURE_ENCODING部分，used_feature_list和src_feature_list的设置决定了模型使用的点云特征维度。

2. 预处理流程冲突：某些预处理步骤可能会意外修改或截断输入特征。

3. 模型架构与数据不匹配：选择的模型架构(如PV-RCNN)对输入特征有特定要求，而自定义数据集可能不满足这些要求。

解决方案

1. 检查特征编码配置

确保POINT_FEATURE_ENCODING部分的配置与实际数据特征一致：

POINT_FEATURE_ENCODING: {
    encoding_type: absolute_coordinates_encoding,
    used_feature_list: ['x', 'y', 'z'],
    src_feature_list: ['x', 'y', 'z'],
}

如果点云包含其他特征(如强度、反射率等)，需要相应添加到这两个列表中。

2. 验证数据预处理流程

检查DATA_PROCESSOR部分的配置，特别是transform_points_to_voxels步骤的参数是否合理：

- NAME: transform_points_to_voxels
  VOXEL_SIZE: [244.6, 241.7, 3871.45]
  MAX_POINTS_PER_VOXEL: 5
  MAX_NUMBER_OF_VOXELS: {
    'train': 150000,
    'test': 150000
  }

3. 模型特定配置调整

对于PV-RCNN等复杂模型，需要特别注意：

• 在pv_rcnn.yaml中移除'raw_points'的FEATURES_SOURCE
• 确保NUM_KEYPOINTS设置与模型预期一致
• 检查NUM_OUTPUT_FEATURES是否与特征维度匹配

4. 其他常见问题排查

1. 张量形状不匹配：如SECOND模型训练时出现的"target和pred形状不匹配"错误，通常是由于锚框生成或标签分配过程出现问题。

2. 类别映射检查：确保MAP_CLASS_TO_KITTI中的类别映射正确，且与CLASS_NAMES一致。

3. 数据范围验证：POINT_CLOUD_RANGE应包含所有训练数据点。

最佳实践建议

1. 从简单模型开始：建议先使用SECOND等简单模型验证数据管道，再尝试PV-RCNN等复杂架构。

2. 逐步增加复杂性：先使用最小特征集(x,y,z)，确认基础流程正常后再添加其他特征。

3. 可视化检查：使用Open3D等工具可视化处理后的点云，确认特征保留情况。

4. 日志调试：在数据加载和预处理阶段添加日志，跟踪特征维度的变化过程。

通过系统性地检查这些配置项，大多数输入通道维度不匹配问题都能得到有效解决。关键在于理解模型期望的输入格式，并确保数据预处理流程能够产生符合要求的输出。