CVPR2020 RandLANet（SemanticKITTI数据集）复现——2024年8月

前言

之前在 RTX2080ti（显存11GB） / Python3.6 / Ubuntu18.04 / Cuda11.1 / 内存300GB 配置上成功复现过，但考虑到2080ti显存太小所以想迁移到4090上，也便于之后的改进，所以写下此篇以记录。

新环境配置选择如下：RTX4090（显存24GB） / Python3.8 / Ubuntu20.04 / Cuda11.8 / 内存300GB。

---

一、准备

因为我是在AutoDL上跑的，所以cuda、cudnn的安装没有进行，AutoDL上配置选择如下：

二、环境配置

1.获取项目和数据集

从RandLANet作者github项目仓库把项目拉取下来：https://github.com/QingyongHu/RandLA-Net.git

数据集下载地址：https://semantic-kitti.org/dataset.html#download 下载前三个（80GB、1MB、179MB）

点云文件下载太慢可以找网盘资源，用AutoDL的话可以直接通过阿里云盘上传，更快！

解压完后数据集结构如下（依次解压三个压缩包，无需二次拖放文件）：

把dataset文件夹直接放入RandLANet项目文件夹下，这一步就顺利完成。

2.环境搭建

打开终端，创建虚拟环境：

conda create -n randlanet python=3.8
# 创建完后，第一次用可能需要 conda init 一下
conda activate randlanet

修改helper_requirements.txt文件需求，这里踩了很多坑，最终试验出来了一套契合我当前配置的可用版本：

numpy==1.23.5
h5py==3.1.0
cython==0.29.15
open3d==0.16.0
pandas
scikit-learn==0.24.0
scipy
PyYAML

此外还要修改一些地方：

1. helper_tool.py文件：from open3d import linux as open3d 改为：import open3d
2. helper_tool.py文件：get_class_weights方法中判断三类数据集名字的is改为==
3. helper_tool.py文件：import nearest_neighbors.lib.python.nearest_neighbors as nearest_neighbors改为：import nearest_neighbors

然后安装tensorflow：

pip install tensorflow==2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

根据修改好的 helper_requirements.txt 来下包：

pip install -r helper_requirements.txt

编译之前改动：

1. compile_op.sh 文件：将python setup.py install --home="." 改为python setup.py install --prefix=/root/miniconda3/envs/randlanet这里改成你自己环境的地址

编译：

sh compile_op.sh

---

三、数据预处理

修改数据集路径：

1. 修改utils/data_prepare_semantickitti.py：
   22和23行改为（这里只要索引到数据集下sequences文件夹就行，根据自身情况而定）：

dataset_path = '/root/autodl-tmp/randla-net/dataset/sequences'
output_path = '/root/autodl-tmp/randla-net/dataset/sequences' + '_' + str(grid_size)

2. 修改main_SemanticKITTI.py：
   16行改为（跟之前大同小异）：

self.dataset_path = '/root/autodl-tmp/randla-net/dataset/sequences_0.06'

然后进行数据预处理：

python utils/data_prepare_semantickitti.py

四、训练

这里根据自己硬件配置在 helper_tool.py 中调整batch_size、num_points、epoch等参数。

python main_SemanticKITTI.py --mode train --gpu 0

顺利跑起来了：

查看gpu占用率，五秒刷新一次：

watch -n 5 nvidia-smi