apollo用的是yolo3d，這個模型在apollo的/apollo/modules/perception/model/yolo_camera_detector/yolo3d_1128這個文件夾下是找不到的，這個文件掛載在docker環境中，我們可以找到這個文件將其複製出來，以下命令可以幫助你解決這個問題：
docker ps
docker inspect apollo_dev
docker volume ls -qf dangling=true
docker volume inspect file
docker exec -it containerid /bin/sh
找到文件所在目錄，裏面存放了caffe的模型文件和權重文件，可以通過caffe可視化環境將其graph顯示出來看一下yolo3d的網絡結構。
apollo的yolo3d模型其實是基於yolov2的基本框架來的，這個網上有相關開源代碼及論文，yolo3d物體檢測輸出爲2D框（以像素爲單位），3D真實物體尺寸（以米爲單位），障礙物類別和障礙物相對偏轉角（Alpha Angle，和KITTI數據集定義一致）。當然其中還加入了車道線檢測Decoder的設計，有着和FPN（特徵金字塔）類似的鏈接，其實yolov3也是基於特徵金字塔模型搭建。關於預測物體真實大小及Alpha Angle可以通過如下命令下載相關代碼，相關論文爲《3D Bounding Box Estimation Using Deep Learning and Geometry》，可以參考相關loss的設計，yolo3d是yolov2 + 3DBOX + Decoder的組合設計，是一個multitask。
git clone https://github.com/smallcorgi/3D-Deepbox.git
那麼我們知道2DBox，預測出物體的真實大小以及Alpha Angle，其實就可以用來單目測距了，任一物體，已知它的長寬高、朝向和距離，則它在圖像上的具體形狀大小等可唯一確定，反之亦然，具體參考論文《Single View Metrology》。
我們已知圖像的2DBox、物體真實尺寸以及朝向，那麼我們就可以還原圖像中的3DBox了，以及測距，在opollo代碼中這一部分是在/apollo/modules/perception/obstacle/camera/converter，想要對這部分代碼進行測試，我用的IDE是KDEVELOP，單獨將相關代碼摘出，自己補全cmakelist文件，apollo使用的是bzael編譯的，這個目前不熟，所以要靠自己寫cmakelist文件，添加相關編譯文件及庫鏈接，測試數據直接用KITTI數據集上的就可以，由一個重要的前提就是相機標定文件一定要替換成KITTI數據的標定文件，具體位置在/apollo/modules/perception/data/params，將裏面的相關文件進行替換即可。
當然這只是完成功能測試，由於apollo改寫的底層caffe框架沒有開源，只能藉助tensorflow或者其他框架來處理這個模型，其實這部分代碼也有相關python的代碼，tensorflow是基於圖的概念，我們利用python將整個網絡的graph保存出來，然後利用tensorflow的c++模塊進行讀圖就可以了，還有一點，apollo用了好多google的庫，比如protobuf，apollo用到的是3.3.0版本，tensorflow高版本用的是3.6.0版本，很有可能這兩者結合的時候版本衝突，所以要將apollo的protobuf版本提升值3.6.0，相關的根據proto文件生成的c++代碼要進行相應替換。那麼你就可以看到攝像頭是如何做到由2D到3D的轉換了。復現效果如下：
