ArkUI -- 状态管理 V1和 V2 混用
2026/11/6 3:23:07
相机买回来了、模型也建好了，最让人卡住的往往不是 DenseFusion 的网络结构，而是“我拍的这批数据，它到底能不能读进去”。官方仓库给的是一份整理好的 LINEMOD 目录，照着跑能出结果；可一旦换成自己用 D455 采集的图，dataloader 立刻报 KeyError、点云全是 NaN、位姿投回 RGB 图上歪得很远。这篇就讲我自己从头用 D455 采集、标注、整理成 LINEMOD 格式并喂给 DenseFusion 训练的完整链路，包括每一步为什么非得这么干，以及几个我当时反复踩、网上又很少有人说清的坑。适合已经跑通官方 Demo、想换成自己的物体和场景继续做 6D 位姿估计的读者。
1. 先反推 DenseFusion 的 dataloader，再决定采什么
做数据集这件事，我现在的习惯是先把 loader 的代码从头读到尾，把所有meta[...]、cv2.imread(...)、os.path.join(...)都列出来，画一张“一条样本需要哪些文件”的表格，然后才动相机。顺序反了的话，采了几百帧之后发现格式不对，重采的代价非常高。
1.1 一条训练样本实际被消费的字段
DenseFusion 的 LINEMOD 分支在取数据时大致做这几件事：读 RGB 图、读深度图、读 mask 图，从 meta 里拿到相机内参和深度缩放系数，用内参把深度图反投影成相机坐标系下的三维点云，再用 mask 把属于目标物体的点筛出来，最后结合位姿把场景点云变换到物体自身坐标系，和模型侧 FPS 采样出来的 500 个点做配对。也就是说，一帧样本真正被用到的东西是：
| 文件 | 作用 | 缺失后果 |
|---|---|---|
rgb/{id}.png | 纹理特征输入 | 直接报错 |
depth/{id}.png | 反投影出点云，融合的几何分支 | 直接报错 |
mask/{id}.png | 筛出属于目标的像素 | 点云混入背景，位姿乱飞 |
meta/{id}.pkl | 内参 + 深度缩放 + bbox 范围 | 点云尺度错、投影全偏 |
gt.yml | 每帧的旋转矩阵与平移向量 | 无监督信号 |
models/obj_XX.ply | 模型点云，用于构造 target | 报错或点数不匹配 |
fps/或采样文件 | 固定数量的模型侧参考点 | 点数对不上 |
把这些串起来看，你会发现整条链路的“地基”其实是内参和深度缩放这两个数。它们错一点点，后面标注再准都没用。我在第一次做的时候就是把对齐后的深度图配了深度流的内参，结果点云整体缩放错了一个比例，ICP 精修怎么调都收敛不到正确位置，查了整整一个下午。
1.2 两个必须一开始就定死的约定
第一个是单位。LINEMOD 原版数据集里，cam_t_m2c用的是毫米，而 DenseFusion 在 loader 里会把它除以 1000 转成米。如果你自己标注时用的是米，又原样写进gt.yml，训练时平移量会小 1000 倍，模型直接学不到东西。我的做法是：内部计算全程用米，写gt.yml时乘 1000，只在最后落盘那一步转换，避免中途混乱。
第二个是坐标系方向。cam_R_m2c和cam_t_m2c的名字已经说明了，是 model→camera，也就是把物体坐标系下的点变到相机坐标系下。用 OpenCV 的solvePnP得到的结果天然就是这个方向，但用 Open3D 做 ICP 时，如果你写反了 source 和 target，拿到的是T_obj_cam，转置一下才等价。这两种错误在训练里都不会报错，只会表现为精度上不去，非常隐蔽。
1.3 目录结构照着摆就行
我最终用的结构是这样，和官方仓库保持一致，省得改代码：
LINEMOD/ obj_01/ data/0001/rgb/0001.png data/0001/depth/0001.png data/0001/mask/0001.png data/0001/meta/0001.pkl data/gt.yml data/info.yml models/obj_01.ply fps/obj_01.xyz同一物体如果有多段采集（不同光照、不同背景），可以拆成data01、data02，然后写进train_list.txt里。这一点后面第 5 节会细说。先把结构定下来，采集脚本按这个路径直接写文件，后期就只需要专注标注。
2. D455 的采集链路：对齐、同步与文件规范
D455 是一台带 IMU 的双目结构光深度相机，深度量程和视场都比前代宽，室内 0.5~3 米这个区间对桌面级物体的 6D 位姿任务来说很够用。但它出厂时深度流和彩色流的分辨率、视场、畸变模型都不一样，如果不做对齐，你会得到两张对不上的图。
2.1 为什么必须开 align_depth，以及对齐后内参要换
LINEMOD 格式隐含一个强假设：深度图和 RGB 图是逐像素对齐的，用的是同一套内参。因为 loader 是拿 RGB 的像素坐标去索引深度值的。D455 默认输出的深度图和彩色图各自独立，直接存下来，同一像素上 RGB 和深度的物理位置差了几厘米，反投影出来的点云整体错位。
解决办法是用 SDK 的 align 模块，把深度图重投影到彩色相机坐标系下：
import pyrealsense2 as rs align = rs.align(rs.stream.color) frames = pipeline.wait_for_frames() aligned = align.process(frames) depth_frame = aligned.get_depth_frame() color_frame = aligned.get_color_frame()对齐之后深度图的尺寸变成彩色图的分辨率，这里有个关键细节：内参必须用彩色流的内参，不是深度流的内参。因为重投影已经把深度图“搬到”彩色相机视角了。我见过不止一个人在这里用错，症状是点云看起来形似但整体有规律的偏移，越靠图像边缘越严重。
取内参的代码：
color_profile = profile.get_stream(rs.stream.color).as_video_stream_profile() intr = color_profile.get_intrinsics() fx, fy, cx, cy = intr.fx, intr.fy, intr.ppx, intr.ppy另外，如果开了彩色流的畸变校正（多数情况下 SDK 已经处理），就不用再做undistort，但如果你把分辨率设成跟出厂标定不一致的值，最好实测一下重投影误差，别默认它是对的。
2.2 采集脚本与我用的参数组合
分辨率我固定在 1280×720、30fps。深度用z16，彩色用bgr8。深度缩放系数通过depth_sensor.get_depth_scale()拿到，D455 出厂一般是 0.001，也就是深度图里数值 1000 代表 1 米，存成 16 位 PNG 完全不会溢出。
W, H, FPS = 1280, 720, 30 cfg = rs.config() cfg.enable_stream(rs.stream.depth, W, H, rs.format.z16, FPS) cfg.enable_stream(rs.stream.color, W, H, rs.format.bgr8, FPS) profile = pipeline.start(cfg) depth_scale = profile.get_device().first_depth_sensor().get_depth_scale()存盘的两点要求：
- 深度必须是 PNG，绝对不能存 JPG。JPEG 是有损压缩，相邻像素的深度值会被抹平，本来是平面的桌面会变成波浪，点云质量直接废掉。
- 彩色存 PNG 或高质量 JPG 都行，但如果要做纹理融合，PNG 更稳妥。我用 PNG，一张 1280×720 大约 1MB，几百帧完全扛得住。
如果你的场景是静止的、物体不动相机绕着走，采 200~400 帧是常见量级；如果相机固定、物体做转台旋转，注意位姿是物体在动，标注时物体坐标系会跟着转，转台的旋转量需要一并算进去——这个坑我在第三部分会展开。
2.3 曝光、白平衡与深度空洞
自动曝光在采集序列里是大忌。相机稍微一转，自动曝光重新调整，同一物体的亮度差异会非常大，训练时模型会把亮度变化当成特征学进去。我的做法是在采集前用一张白纸把画面填满，手动调到一个不过曝的曝光值，然后锁定：
color_sensor = profile.get_device().first_color_sensor() color_sensor.set_option(rs.option.enable_auto_exposure, 0) color_sensor.set_option(rs.option.exposure, 120) color_sensor.set_option(rs.option.enable_auto_white_balance, 0) color_sensor.set_option(rs.option.white_balance, 4600)深度空洞是另一个绕不开的问题。黑色、高光、透明材质在结构光下基本没有回波，深度图会出现大片 0 值。训练时这些像素反投影出来是无效点，DenseFusion 一般会过滤掉 z 接近 0 的点，但如果空洞正好落在物体中心，剩下的有效点太少，网络会退化成只靠 RGB 猜。所以采集时尽量避开强反光背景，物体表面如果是哑光的会好很多；实在不行就在物体下面垫一层哑光深色布，能显著提升有效点比例。
2.4 命名、质检和“采多少”
文件名我直接用递增的四位数字，0001到0xxx，RGB、深度、mask 用同一个 id，这样脚本里拼路径不会出错。采完一段之后我会立刻做一次质检：随机抽 10 帧，把深度图用伪彩色显示一下，看空洞位置和取值范围；再把彩色图放大看看有没有运动模糊。运动模糊在慢速环绕时特别容易发生，30fps 下如果相机移动太快，边缘会有一两个像素的拖影，标注位姿时会带来几毫米的偏差。
关于数量，我的经验是每个物体不要少于 150 帧有效数据，且视角要覆盖到：俯视、平视、两个侧视、以及物体在不同背景上的组合。纯转台旋转采 300 帧，看起来数量够了，但视角分布退化严重（只有一维变化），泛化会很差。这一点在训练收敛曲线上表现得很明显：训练集 loss 降得很漂亮，换一个背景就崩。
3. 位姿标注：标定板给初值，ICP 做精修
这是整个流程里最耗时间、也最容易做错的一步。6D 位姿标注要么纯手工在三维软件里拖，要么用算法自动算。前者一帧两三分钟，几百帧根本做不完；后者精度可控，但需要一套能跑通的工具链。我采用的是“标定板给初值 + 点云 ICP 精修”的组合。
3.1 为什么不能完全靠手工
手动在点云软件里拖动模型去贴合场景点云，对靠近球形的物体勉强可以，但对薄片状、细长、带凹槽的物体，人眼很难判断深度方向上的对齐。而且手工标注的一致性极差——不同人标、甚至同一人隔一天再标，结果能差出好几度。这种噪声在训练时会被当成真实标签去拟合，最终影响精度上限。
纯算法自动标注（不依赖任何标记物）在学术上是一个独立课题，需要训练一个分割网络再配合渲染比对，工程代价太高。所以我选了一条折中路线：用一个已知尺寸的平面标记物辅助，先拿到一个误差在几毫米量级的初值，再用 ICP 把精度拉到亚毫米到一两毫米。
3.2 从标记物到 solvePnP 的初值链路
我的做法是把一张打印好的方形标记板贴在物体表面（或者固定在一个和物体刚性连接的小支架上），标记板的角点在物体坐标系里的三维坐标事先量好。每次采集时同时拍到物体和标记板，接下来：
- 用
cv2.aruco.detectMarkers或cv2.aruco.detectBoard检测标记板，拿到角点的像素坐标； - 用
cv2.solvePnP结合相机内参求出标记板相对于相机的位姿T_cam_marker； - 再用事先标定好的
T_marker_obj（标记板在物体坐标系里的位姿，由 CAD 尺寸决定）左乘，得到T_cam_obj = T_cam_marker @ T_marker_obj。
关键是第 3 步的T_marker_obj必须通过 CAD 模型精确确定，不能凭感觉。我的做法是把物体模型和标记板模型一起摆进 CAD 里，让标记板贴在物体某个平面上，导出两者关系。这个值只需要算一次，之后所有帧复用。
solvePnP的调用要注意角点顺序和模型点顺序严格一一对应，稍微错一个位置，解出来的位姿会翻 90 度，这在可视化时很明显，但如果不看可视化直接进 ICP，就会得到莫名其妙的结果。
ok, rvec, tvec = cv2.solvePnP( obj_pts, img_pts, K, dist_coeffs, flags=cv2.SOLVEPNP_ITERATIVE) R, _ = cv2.Rodrigues(rvec) T_cam_obj = np.eye(4) T_cam_obj[:3, :3] = R T_cam_obj[:3, 3] = tvec.flatten()这里的tvec单位取决于obj_pts的单位。我统一用米，所以后面 ICP 也在米的空间里做。
3.3 用 Open3D 做点到面 ICP 精修
有了初值，后面的工作是把场景点云和模型点云对齐。场景点云来自深度图加 mask 反投影，模型点云来自 PLY 网格采样。有一个特别容易搞反的地方：ICP 的 source 应该是模型点云，target 是场景点云。因为 ICP 求解的变换满足T @ p_model ≈ p_scene，这正好就是我们要的T_cam_obj。
import open3d as o3d reg = o3d.pipelines.registration.registration_icp( model_pcd, scene_pcd, max_correspondence_distance=0.015, init=T_cam_obj, estimation_method=o3d.pipelines.registration.TransformationEstimationPointToPlane()) T_refined = reg.transformation几个参数我调过很多次，最后定下来的是：
| 参数 | 取值 | 说明 |
|---|---|---|
max_correspondence_distance | 0.01~0.02 m | 初值够准就取小一点，收敛更稳 |
| 迭代次数 | 50~100 | 迭代次数太少就停不下来 |
| 估计方法 | 点到面 | 平面多的物体收敛更快，需给模型算法线 |
| 采样密度 | 模型下采样到 3000~5000 点 | 太密只会拖慢速度 |
点到面估计需要模型点云带法线，用estimate_normals算一下即可，注意法线方向一致性，必要时用orient_normals_towards_camera_location统一朝向。
精修完一定要检查。我用的指标是 ICP 的fitness（重合点比例）和inlier_rmse（重合点残差）。我自己的经验阈值是fitness > 0.6且inlier_rmse < 0.005，不满足的帧我会挑出来人工看一眼，实在不行就丢掉。宁可少几帧，也不要混进错帧，一个明显错误的位姿会在训练早期把 loss 拉得很高，梯度噪声非常大。
3.4 精修失败的三种典型情况
第一种是初值方向就错了。标记板如果被遮挡了一部分，solvePnP可能解出一个翻转的位姿，ICP 会收敛到一个“看起来贴合但整体转了 180 度”的局部极小。判断方法是看物体是否有明显不对称特征，如果有，转 180 度一定看得出来。
第二种是点云被背景污染。mask 没盖干净，物体的边缘和桌面连在一起，ICP 会把一部分平面点也算进去，导致物体往桌面上“沉”。解决办法是把 mask 向内腐蚀一到两个像素，宁可丢一点边缘点，也不要引入背景噪声。
第三种是尺度不一致。模型是从 CAD 导出的，单位是毫米；场景点云用米。如果不转换，ICP 会尝试用一个巨大的平移去补偿，直接发散。这是我第一次做时耗了最久才找到的问题，因为 Open3D 不会报错，只会给你一个fitness极低的结果。现在我的习惯是脚本开头就打印两边的包围盒对角线长度，对不上就立刻停下来。
4. 从 CAD 到模型点云：模型侧的准备
很多人把注意力全放在图像侧，模型侧随便丢一个 PLY 进去，结果训练时 loss 一直降不下去。模型点云在 DenseFusion 里是 target 的角色，它的尺度、原点、朝向如果和标注位姿不一致，整条监督信号就是错的。
4.1 网格的尺度和原点
拿到物体的三维模型（不管是 CAD 导出还是扫描重建），第一件事是确认三件事：单位、原点、朝向。这三样要和标注时使用的物体坐标系完全一致。
我做过的项目里，有一次模型是从网格软件导出的，单位是厘米，而标注脚本假设毫米，结果gt.yml里的平移量比模型点云小了 10 倍，训练出来的位姿在深度方向上严重偏移。后来我加了一个强制步骤：读入模型后立刻用get_axis_aligned_bounding_box打印长宽高，用卷尺量一下真实物体，数字对得上才继续。
原点也很关键。DenseFusion 的监督是模型点云在自身坐标系下的位置，如果原点不在物体几何中心而在某个角点，网络需要多学一个偏置，收敛会更慢，精度也会略差。建议在导出时就把模型平移，让质心落在原点附近，旋转上也尽量让物体的主轴对齐坐标轴，这样标注时的初值也更容易给。
4.2 均匀采样与 FPS 下采样
DenseFusion 在训练时其实用的是 FPS 采样出来的一批固定点。原因是原始网格点可能有几万个且分布极不均匀（曲面处密、平面处稀），直接作为 target 会让梯度偏向密集区域。
我的处理是两步：先在网格表面按面积均匀采样 3 万到 5 万个点，再在这批点上做 FPS 采到 500 点。均匀采样的目的是摆脱原始网格顶点分布的影响，FPS 的目的是让这 500 个点在空间上尽量分散，覆盖物体的各个面。
FPS 写起来很简单，但要注意第一个点的选取。如果固定从第 0 个点开始，不同物体的分布会有系统性偏差。我一般选离质心最远的点作为起点：
def fps(points, n): centroid = points.mean(axis=0) idx = [np.argmax(np.linalg.norm(points - centroid, axis=1))] dist = np.linalg.norm(points - points[idx[0]], axis=1) for _ in range(n - 1): i = int(np.argmax(dist)) idx.append(i) dist = np.minimum(dist, np.linalg.norm(points - points[i], axis=1)) return points[idx]4.3 模型点云和场景点云的一致性验证
这一步花不了几分钟，但能省掉后面几小时的排查。方法是在一帧标注好的数据上，把T_cam_obj作用到模型点云上，和场景点云叠在一起看。如果两者几乎完全重合，说明模型尺度、原点、位姿方向全都是对的；如果模型明显偏大或偏小、或者整体偏移一个固定距离，那就是尺度或原点的问题。
我把这个检查做成一个脚本，每批数据标注完之后跑一遍，输出叠合后的可视化图和最近邻距离的中位数。中位数在 2 毫米以内我就认为通过，超过 5 毫米我会回去查。
另外提一句对称物体。如果物体的几何是对称的（比如圆柱、方形盒子），位姿的旋转在对称轴上有无穷多个等价解，标注时怎么转都对，但训练时这些“不同”的标签会让网络困惑。DenseFusion 里针对这种情况有专门的对称性处理，需要你在obj_list.txt或对应配置里把对称物体的 id 标出来，让它用对称友好的度量来计算损失。我在这上面吃过一次亏：一个圆柱体的位姿误差怎么都降不下来，最后发现是没标对称性。
5. 元数据落地：gt.yml、meta pkl 与列表文件
图像和点云准备好了，剩下是把这些信息写成 DenseFusion 认识的样子。这一步没有算法难度，但字段多，随便漏一个就是运行时报错。
5.1 gt.yml 的字段写法
gt.yml的顶层是帧编号，每一帧的值是一个列表（同一帧可能出现多个目标），列表里每一项包含：
"1": - cam_R_m2c: [r11, r12, r13, r21, r22, r23, r31, r32, r33] cam_t_m2c: [tx, ty, tz] obj_bbox: [x_min, y_min, x_max, y_max] obj_id: 1cam_R_m2c是行优先展开的 9 个浮点数，cam_t_m2c是毫米单位的三维向量。这里是最容易翻车的一处：我内部全程用米，写文件时要乘 1000。为了不搞混，我在导出函数里直接写死t_mm = t_m * 1000.0，并且加了一条断言，如果t_mm的某个分量超过 10000（也就是 10 米）就报错——超出这个范围肯定是单位写错了。
obj_bbox可以从 mask 直接算出来，加几个像素的余量。有些实现自己不读它，但保留着没坏处，部分评估脚本会用到。
5.2 meta pkl 的生成
每一帧一个 pkl，内容是一个字典。核心字段是内参和深度缩放，另外还有一组包围盒范围字段（物体点云在相机坐标系下的最小最大坐标），DenseFusion 的部分分支会用来做裁剪：
import pickle, numpy as np meta = { 'intrinsic_matrix': np.array([[fx, 0, cx], [0, fy, cy], [0, 0, 1.0]]), 'cam_fx': float(fx), 'cam_fy': float(fy), 'cam_cx': float(cx), 'cam_cy': float(cy), 'cam_scale': float(1.0 / depth_scale), # 通常是 1000 'min_x': float(xyz[:, 0].min()), 'max_x': float(xyz[:, 0].max()), 'min_y': float(xyz[:, 1].min()), 'max_y': float(xyz[:, 1].max()), 'min_z': float(xyz[:, 2].min()), 'max_z': float(xyz[:, 2].max()), } with open('meta/{}.pkl'.format(frame_id), 'wb') as f: pickle.dump(meta, f)cam_scale这个字段名容易误解：它其实是“深度值除以多少得到米”，也就是1/depth_scale。D455 的depth_scale是 0.001，所以这里填 1000。填错的话点云尺度会整体差三个数量级，表现是所有点都挤成一个点或者散到无穷远。
min_x那一组字段我习惯用该帧 mask 内的点云真实范围来填，而不是用模型的固定包围盒。虽然两种都能用，但用每帧的真实范围能少掉一些边界情况。
info.yml比较简单，主要写图像宽高和深度缩放，格式是：
"1": cam_K: [fx, 0, cx, 0, fy, cy, 0, 0, 1] depth_scale: 1.0注意depth_scale在info.yml里写的是 1.0（表示数据已经是真实尺度），而 pkl 里写的是 1000（表示原始深度值需要除以 1000），两者含义不同，别照搬。
5.3 训练/验证划分和列表文件
我会把每个物体采到的数据按 8:2 左右划成训练和验证，划分时按采集段划而不是按帧随机划，同一段里相邻帧的视角几乎一样，随机划分会让验证集和训练集高度相似，验证指标虚高。
train_list.txt和test_list.txt每行是一个相对路径，指到data目录那一级：
obj_01/data obj_02/dataobj_list.txt里是所有物体 id 和名称，对称物体要单独标出来。划分完之后跑一次wc -l核对行数，别出现路径写错导致列表为空的情况——空列表在某些版本的代码里不会报错，只会训练一个永远不动的模型，非常浪费时间。
6. 训练前自检与踩坑排查
数据全部生成完，先别急着开训。我现在的固定流程是花十几分钟做三项自检，这三项能挡掉绝大多数“训练不收敛”的问题。
6.1 把位姿投回 RGB 看
最有效的一招：用内参把模型点云按T_cam_obj投到 RGB 图上，画出投影点和模型的包围框轮廓。正确的位姿下，投影轮廓应该严丝合缝地贴在物体边缘上。
pts_2d, _ = cv2.projectPoints(model_pts, rvec, tvec, K, None) for p in pts_2d.reshape(-1, 2).astype(int): cv2.circle(img, tuple(p), 1, (0, 0, 255), -1)我现在会抽 20 帧拼成一张网格图快速过一遍。如果整体轮廓偏移一个恒定向量，说明内参不对或者用了未对齐的深度；如果轮廓大小对但整体旋转错，多半是cam_R_m2c转置了；如果只有部分帧错、而且错得离谱，那就是那几帧的标注本身有问题，直接剔除。
6.2 常见崩点速查
下面这张表是我踩过的坑的汇总，基本上对着症状就能定位：
| 症状 | 最可能的原因 | 排查方法 |
|---|---|---|
| 点云整体偏移，越到边缘越明显 | 用了深度流内参而非彩色流内参 | 对比两组内参的 fx/cx |
| 点云缩放到离谱量级 | cam_scale填错或单位没统一 | 打印点的 z 分布 |
| 训练 loss 一开始就巨大 | gt.yml里平移用米没转毫米 | 检查 t 的数量级 |
| loss 能降但验证精度极差 | 训练/验证划分泄漏或视角退化 | 看划分方式与视角分布 |
| 部分帧点云为空 | mask 全黑或者深度全空洞 | 统计每帧有效点数 |
| ICP 结果贴到桌面上 | mask 污染，混入背景点 | mask 向内腐蚀后再试 |
| 模型点云与场景始终差一点 | 模型原点/尺度与真实不符 | 量包围盒尺寸对比 |
6.3 数据量和多样性对收敛的影响
我做过一组粗略对比：同样一个物体，150 帧集中在转台旋转上的数据和 250 帧带多背景、多俯仰角的数据，后者在测试集上的效果明显更好。原因不难理解，DenseFusion 的融合分支要同时学到纹理和几何的对应关系，如果所有图的背景都一样，RGB 分支很容易记住背景而不是物体本身。
所以我在后期调整采集策略时，会把“背景数量”和“俯仰角范围”当成两个独立维度去覆盖。哪怕每个组合只采二三十帧，也比单维度堆数量强。这个过程有点枯燥，但确实是最直接有效的精度提升手段，比调网络参数见效快得多。
6.4 一个小技巧：先跑通单物体再扩多物体
第一次做的时候我贪心，一口气标了五个物体，结果一个位姿都不对，问题全混在一起。后来我改成先用一个物体、50 帧数据，走完整条链路，确认能正常训练、验证精度也合理，再逐步扩展到多物体、多背景。因为整条链路里可能的出错点有十几个，同时上多个物体等于让十几个变量互相干扰，排查成本会成倍上升。
单物体跑通之后，多物体的扩展其实很轻：每个物体一个子目录，gt.yml里按obj_id区分，obj_list.txt加一行就行。真正麻烦的只有第一遍。
以上这些步骤走下来，从我自己的经验看，一个物体从采集到能训练，大概需要半天采集加一天标注，如果标记板方案调顺了还可以再快一点。真正费时间的永远是那几个隐蔽的单位和坐标系问题，一旦这套流程固定下来，后面加新物体基本就是重复劳动了。我在实际使用中发现，把采集脚本和导出脚本里的关键量（内参、深度缩放、平移单位）全部打印成日志附在数据集旁边，几个月后回头看依然能快速排查，这个习惯值得养成。