PointNet++（pytorch）

一. Shape Classification

1.1Data

modelnet40分类数据集

链接：https://pan.baidu.com/s/13Ey0trCBY3CNxXzP8ugErQ    提取码：1234 

1.2Train

1)check model 是否在model文件夹下

2)训练命令

python train_cls.py --model pointnet2_cls_msg --normal --log_dir pointnet_cls_msg

--model pointnet2_cls_msg   ##选择pointnet2_cls_msg

--normal ##使用法向量信息

--log_dir pointnet_cls_msg##指定日志文件保存的路径

如果出现显存溢出情况，如：Runtime Rrror: CUDA out of memory. 

python train_cls.py --model pointnet2_cls_msg --normal --log_dir pointnet_cls_msg --batch_size 16

batch_size ：即一次训练所抓取的数据样本数量，BATCH_SIZE的大小影响训练速度和模型优化。默认是24。

若BATCH_SIZE=m(训练集样本数量)；相当于直接抓取整个数据集，训练时间长，但梯度准确。但不适用于大样本训练，比如IMAGENET。只适用于小样本训练，但小样本训练一般会导致过拟合现象，因此不建议如此设置。

若BATCH_SIZE=1;梯度变化波动大，网络不容易收敛。

若BATCH_SIZE设置合适，梯度会变准确。

此时再增加BATCH_SIZE大小，梯度也不会变得更准确。

同时为了达到更高的训练网络精度，应该增大epoch，使训练时间变长。

3）训练结束 

训练完成自动生成log文件夹，保存了日志文件和网络参数

检查是否有保存的模型文件 .pth 文件

\log\classification\pointnet2_cls_msg\checkpoints\best_model.pth

torch.save(model.state_dict(), "my_model.pth")  # 只保存模型的参数
 
torch.save(model, "my_model.pth")  # 保存整个模型

logs文件下的训练日志

\log\classification\pointnet2_cls_msg\logs\pointnet2_cls_msg.txt

1.3Test

1）测试命令

python test_classification.py --log_dir pointnet2_cls_msg

测试后log文件中保存了日志文件

2）测试日志

\log\classification\pointnet2_cls_msg\eval.txt

2023-07-23 11:23:27,599 - Model - INFO - Namespace(batch_size=24, gpu='0', log_dir='pointnet2_cls_msg', num_category=40, num_point=1024, num_votes=3, use_cpu=False, use_normals=False, use_uniform_sample=False)

3)评价指标

平均精度（mean accuracy，MA）和 总 体 精 度（overall accuracy，OA）两个最主要的分类评价指标分析对比不同的分类方法

二. Part Segmentation

2.1Data

shapenetcore_partanno_segmentation_benchmark_v0_normal

链接：https://pan.baidu.com/s/1uRQifmtBpXtQGuZVeZdJMg   提取码：1234 

将数据解压到data\shapenetcore_partanno_segmentation_benchmark_v0_normal

0.073880	0.169750	-0.193260	0.006987	0.999600	0.027960	1.000000
X	Y	Z	Nx	Ny	Nz	部件编号 0，1，2

2.2Train

1）训练命令

 python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg

2.3Test

1)测试命令

python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

三.Semantic Segmentation

3.1Data

下载3D indoor parsing dataset(S3DIS)数据集Stanford3dDataset_v1.2_Aligned_Version.zip，并解压到data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/         #新建一个s3dis文件夹

-17.192	39.194	0.062	41	38	29
X	Y	Z	R	G	B

需要对数据进一步处理，python collect_indoor3d_data.py用于数据的重组，转换为.npy格式文件，比如Area_1_hallway_1.npy（.npy为Numpy专用的二进制格式）

处理后的数据应将被保存在data/stanford_indoor3d/

“data/s3dis/Stanford3dDataset_v1.2_Aligned_Version文件夹下”

cd data_utils
python collect_indoor3d_data.py

注意： 在执行 collect_indoor3d_data.py应该会出现类似于下面的错误：

D:\pointnet\data\Stanford3dDataset_v1.2_Aligned_Version\Area_5/hallway_6/Annotations
D:\pointnet\data\Stanford3dDataset_v1.2_Aligned_Version\Area_5/hallway_6/Annotations ERROR!!

经查找具体位置为：Stanford3dDataset_v1.2_Aligned_Version\Area_5\hallway_6\Annotations\ceiling_1.txt中的第180389行数字185后。windows下建议使用EmEditor打开文件，会自动跳转到该行，数字185后面有一个类似空格的字符，实际上不是空格，删掉然后重新打一个空格就可以了。

3.2Train

1)训练命令

python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg

可视化结果保存在log/sem_seg/pointnet2_sem_seg/visual/.ojb文件

2）测试命令

python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual