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_misc=elastic_search_misc&request_id=c5c7e4fdf45ba754efa44c8683be3d4c&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-147873662-null-null.142^v102^pc_search_result_base2&utm_term=carrada%E6%95%B0%E6%8D%AE%E9%9B%86&spm=1018.2226.3001.4187
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(f"Camera 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, cmap='jet', aspect='auto', origin='lower') ax2.set_title("Radar Range-Doppler Map") plt.colorbar(img2, ax=ax2, label='Intensity (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