Carrada雷达数据集GooGle Colab在线运行

一、数据集介绍GitHub项目链接https://github.com/valeoai/carrada_dataset本站用户中文介绍https://blog.csdn.net/gitblog_00519/article/details/147873662?ops_request_miscelastic_search_miscrequest_idc5c7e4fdf45ba754efa44c8683be3d4cbiz_id0utm_mediumdistribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-147873662-null-null.142^v102^pc_search_result_base2utm_termcarrada%E6%95%B0%E6%8D%AE%E9%9B%86spm1018.2226.3001.4187二、云服务器下载数据Google Colabhttps://colab.research.google.com/创建新的笔记本如图所示选择Python3、GPUT4服务这些都是免费的观察到右上角和有下表都显示出图标那么创建笔记本成功就可以输入代码跑了。左上角添加代码块分别运行分别为三段# 1. 下载官方代码仓库 !git clone https://github.com/valeoai/carrada_dataset.git # 2. 进入目录并安装专属包 %cd carrada_dataset !pip install -e . # 3. 安装一些画图和数据处理的基础库 !pip install matplotlib numpy# 1. 删掉刚才因为 404 报错而产生的空文件和文件夹 !rm -rf Carrada.tar.gz Carrada_Data # 2. 重新创建解压文件夹 !mkdir -p ./Carrada_Data # 3. 使用官方最新提供的专用服务器链接下载 !wget -O Carrada.tar.gz http://download.tsi.telecom-paristech.fr/Carrada/Carrada.tar.gz # 4. 执行“聪明解压法”只提取我们需要的那一小段行车片段 !tar -zxvf Carrada.tar.gz -C ./Carrada_Data Carrada/2019-09-16-12-52-12运行第二段代码时间约为一小时因为数据集有20G左右下起来很麻烦可以在浏览器左边看到下载下来的文件。三、简单处理想呈现Github项目介绍中的对比图左侧为实景图片右侧为距离多普勒图如下import os import numpy as np import matplotlib.pyplot as plt def find_data_auto(base_dir): print(f正在全盘扫描 {base_dir} ...) rd_path None img_path None # 深度搜索 npy 文件 (RD图) 和 jpg 文件 (相机图) for root, dirs, files in os.walk(base_dir): if not rd_path: npy_files [f for f in files if f.endswith(.npy)] if npy_files: rd_path root print(f 找到 RD 矩阵目录: {rd_path}) if not img_path: jpg_files [f for f in files if f.endswith(.jpg)] if jpg_files: img_path root print(f 找到相机图片目录: {img_path}) if rd_path and img_path: break return rd_path, img_path # 执行搜索 base_dir ./Carrada_Data rd_dir, img_dir find_data_auto(base_dir) if rd_dir and img_dir: # 获取共同的帧编号 (取交集并排序) rd_files set([f.split(.)[0] for f in os.listdir(rd_dir) if f.endswith(.npy)]) img_files set([f.split(.)[0] for f in os.listdir(img_dir) if f.endswith(.jpg)]) common_frames sorted(list(rd_files.intersection(img_files))) if len(common_frames) 0: # 挑选中间的一帧进行展示 test_frame common_frames[len(common_frames)//2] print(f 正在渲染帧: {test_frame}) # 读取数据 rd_data np.load(os.path.join(rd_dir, f{test_frame}.npy)) cam_img plt.imread(os.path.join(img_dir, f{test_frame}.jpg)) # 绘图 fig, (ax1, ax2) plt.subplots(1, 2, figsize(16, 6)) ax1.imshow(cam_img) ax1.set_title(fCamera View (Frame {test_frame})) ax1.axis(off) # 转换为 dB 尺度注意CARRADA 数据可能是复数或幅度值 rd_db 10 * np.log10(np.abs(rd_data) 1e-10) img2 ax2.imshow(rd_db, cmapjet, aspectauto, originlower) ax2.set_title(Radar Range-Doppler Map) plt.colorbar(img2, axax2, labelIntensity (dB)) plt.show() else: print(❌ 错误虽然找到了目录但里面没有匹配的帧文件。) else: print(❌ 彻底失败在 Carrada_Data 目录下没找到任何数据。) print(请检查解压步骤是否完整运行或尝试列出当前所有目录) !find ./Carrada_Data -maxdepth 4 -type d得到结果其中的一张图片如下可以批量处理得到距离多普勒图进行后续的网络训练等