自动驾驶开发者入门指南：ApolloScape数据集实战解析与避坑指南

1次阅读

共计 1592 个字符，预计需要花费 4 分钟才能阅读完成。

ApolloScape 是由百度 Apollo 团队推出的自动驾驶开源数据集，包含丰富的多模态数据（如高分辨率图像、稠密点云、精确标注等）。该数据集特别适合用于自动驾驶中的感知算法开发，比如目标检测、语义分割、3D 定位等任务。相比其他数据集，ApolloScape 的特点在于：

数据规模大：包含数十万帧的图像和点云数据
标注精细：提供像素级的语义分割标注和实例标注
场景多样：覆盖城市道路、高速公路、停车场等多种驾驶场景

ApolloScape 数据集按场景和数据类型分层存储，主要包含以下目录结构：

ApolloScape/
├── image/            # 图像数据
│   ├── Camera_5/     # 前视摄像头
│   └── ...
├── pointcloud/       # 点云数据（Velodyne HDL-64E）├── label/            # 标注文件
│   ├── semantic/     # 语义分割标注
│   └── instance/     # 实例分割标注
└── calib/            # 传感器标定参数

关键数据对应关系：

图像和点云通过时间戳对齐，同一时间戳的文件属于同一帧
标注文件与图像 / 点云通过文件名匹配
标定参数用于坐标系转换

以下是一个完整的 Python 数据加载示例，包含图像、点云和标注的同步读取：

import numpy as np
import cv2
from os.path import join

# 数据集根目录
DATA_ROOT = '/path/to/ApolloScape'

# 加载单帧数据
def load_frame(frame_id):
    # 加载图像
    img_path = join(DATA_ROOT, 'image', 'Camera_5', f'{frame_id}.jpg')
    image = cv2.imread(img_path)

    # 加载点云（二进制格式）pc_path = join(DATA_ROOT, 'pointcloud', f'{frame_id}.bin')
    pointcloud = np.fromfile(pc_path, dtype=np.float32).reshape(-1, 4)

    # 加载语义标注
    label_path = join(DATA_ROOT, 'label', 'semantic', f'{frame_id}.png')
    label = cv2.imread(label_path, cv2.IMREAD_GRAYSCALE)

    return image, pointcloud, label

# 示例：加载第 100 帧数据
frame_id = '000100'
image, points, label = load_frame(frame_id)