apollo用的是yolo3d，这个模型在apollo的/apollo/modules/perception/model/yolo_camera_detector/yolo3d_1128这个文件夹下是找不到的，这个文件挂载在docker环境中，我们可以找到这个文件将其复制出来，以下命令可以帮助你解决这个问题：
docker ps
docker inspect apollo_dev
docker volume ls -qf dangling=true
docker volume inspect file
docker exec -it containerid /bin/sh
找到文件所在目录，里面存放了caffe的模型文件和权重文件，可以通过caffe可视化环境将其graph显示出来看一下yolo3d的网络结构。
apollo的yolo3d模型其实是基于yolov2的基本框架来的，这个网上有相关开源代码及论文，yolo3d物体检测输出为2D框（以像素为单位），3D真实物体尺寸（以米为单位），障碍物类别和障碍物相对偏转角（Alpha Angle，和KITTI数据集定义一致）。当然其中还加入了车道线检测Decoder的设计，有着和FPN（特征金字塔）类似的链接，其实yolov3也是基于特征金字塔模型搭建。关于预测物体真实大小及Alpha Angle可以通过如下命令下载相关代码，相关论文为《3D Bounding Box Estimation Using Deep Learning and Geometry》，可以参考相关loss的设计，yolo3d是yolov2 + 3DBOX + Decoder的组合设计，是一个multitask。
git clone https://github.com/smallcorgi/3D-Deepbox.git
那么我们知道2DBox，预测出物体的真实大小以及Alpha Angle，其实就可以用来单目测距了，任一物体，已知它的长宽高、朝向和距离，则它在图像上的具体形状大小等可唯一确定，反之亦然，具体参考论文《Single View Metrology》。
我们已知图像的2DBox、物体真实尺寸以及朝向，那么我们就可以还原图像中的3DBox了，以及测距，在opollo代码中这一部分是在/apollo/modules/perception/obstacle/camera/converter，想要对这部分代码进行测试，我用的IDE是KDEVELOP，单独将相关代码摘出，自己补全cmakelist文件，apollo使用的是bzael编译的，这个目前不熟，所以要靠自己写cmakelist文件，添加相关编译文件及库链接，测试数据直接用KITTI数据集上的就可以，由一个重要的前提就是相机标定文件一定要替换成KITTI数据的标定文件，具体位置在/apollo/modules/perception/data/params，将里面的相关文件进行替换即可。
当然这只是完成功能测试，由于apollo改写的底层caffe框架没有开源，只能借助tensorflow或者其他框架来处理这个模型，其实这部分代码也有相关python的代码，tensorflow是基于图的概念，我们利用python将整个网络的graph保存出来，然后利用tensorflow的c++模块进行读图就可以了，还有一点，apollo用了好多google的库，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，很有可能这两者结合的时候版本冲突，所以要将apollo的protobuf版本提升值3.6.0，相关的根据proto文件生成的c++代码要进行相应替换。那么你就可以看到摄像头是如何做到由2D到3D的转换了。复现效果如下：
