pointnet++复现

已于 2022-04-09 20:12:47 修改
阅读量3.6k 收藏 23
点赞数 5
分类专栏： 作业 文章标签： tensorflow
于 2022-04-03 19:20:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45439980/article/details/123939894
版权

首先修改代码中所有错误，与自己的python和tensorflow适配，导入该导入的包，其中provider和eulerangles和plyfile都在utils文件下或者pointnet-master的代码中
修改tf_ops中的文件：参考第一篇与第二篇
注意：报错

/usr/bin/ld: cannot find -ltensorflow_framework，collect2: error: ld returned 1 exit status。

应该是没有修改sh文件时未能找到/usr/…/ltensorflow_framework这个路径
解决方法：
我是用的云服务器，将sh文件中的-ltensorflow_framework修改为-l:libtensorflow_framework.so.1
有的人可能是要改成-libtensorflow_framework
然后运行

cd tf_ops/sampling
sh tf_sampling_compile.sh
cd tf_ops/grouping
sh tf_grouping_compile.sh
cd tf_ops/d_interpolation
sh tf_interpolate_compile.sh

进入环境

conda activate tf

训练

cd autodl-nas/pointnet2-master

CUDA_VISIBLE_DEVICES=0   python  train.py

报错

tensorflow.python.framework.errors_impl.NotFoundError: /root/autodl-nas/pointnet2-master/tf_ops/sampling/tf_sampling_so.so: undefined symbol: _ZN10tensorflow12OpDefBuilder4AttrESs

将sh文件中的-D_GLIBCXX_USE_CXX11_ABI=0改为1
再运行.sh文件

cd tf_ops/sampling
sh tf_sampling_compile.sh
cd tf_ops/grouping
sh tf_grouping_compile.sh
cd tf_ops/d_interpolation
sh tf_interpolate_compile.sh

在这里插入图片描述

训练结果可视化

tensorboard --logdir=log#这里要指定日志文件夹名字，因为默认似乎是logs，但是pointnet++分类训练生成的日志文件名为log

在这里插入图片描述系统架构图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

训练后验证结果

CUDA_VISIBLE_DEVICES=0 python evaluate.py --num_votes 12

在这里插入图片描述

可视化（此步骤无需gpu）

在utils文件下

sh compile_render_balls_so.sh
python show3d_balls.py

获得可视化结果
在这里插入图片描述

茅蒐Rubia
关注
  • 5
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
PointNet复现
mrf201588的博客
12-15 2673
ubuntu18.04 复现PointNet 设备及运行环境基本情况： （1）硬件：ThinkPad P53移动图像工作站，CORE i7 -9850H 32G内存，显卡为NVIDIA Quadro T2000 4G ； （2）软件：Ubuntu18.04、Python2.7、Tensorflow1.13.1, CUDA 10.0 and cuDNN 7.5.0。 1.准备工作 #To install h5py for Python sudo apt-get install libhdf5-dev sud
PointNet & PointNet++ 论文解析+算法理解+复现建议（3D点云 分类+分割）
m0_47294706的博客
01-28 9409
PointNet、PointNet++论文解读、逐层网络结构理解、代码复现建议
Windows系统保姆级复现Pointnet++算法教程笔记（基于Pytorch）
m0_70694811的博客
01-08 4000
今天复现了PointNet++网络，中途也遇到过好多报错问题，但都一一解决了，最终实现cls、partseg、semseg训练(train)和测试(test)程序的成功跑通。3D点云目标检测算法Pointnet++项目实战 Pytorch实现附代码：链接：https://pan.baidu.com/s/10Nk4Zd3S_NklY5PJwzmnWA提取码：6688。
震惊！如何使用PointNet++复现自己的点云语义分割数据集？
最新发布
weixin_58663121的博客
05-26 785
使用PointNet++复现自己的点云语义分割数据集
PointNet系列代码复现详解(1)—PointNet分类部分
weixin_45699456的博客
03-14 6101
主要就是先记录一下训练轮次等基本信息，开启训练模式，更新学习率，然后开始一轮训练，优化器清零，然后数据增强，然后进行训练，一轮训练结束后会进行一次检测，最后检测结果与以前训练数据进行比较，保存最好的那个。方法计算分类正确的样本数，再除以该类别中的总样本数，即可得到分类器在该类别上的准确率。下面代码就是把训练的模型复制到对应的目录下，以便以后查看和对比，然后就获取对应的分类模型以及损失函数，激活函数。比如是否使用GPU，训练批次大小，模型，训练总轮数，以及优化器，训练日志保存路径等等。
Win10系统下复现Pointnet++（pytorch）
ice
07-31 7590
本博客主要关注pointnet++三个任务的训练过程，分别为分类网络，部件分割网络以及语义分割网络，而且该项目代码中也缺少预测代码（只有test.py代码，用来验证得到评价指标的），也就是缺少可视化代码，后面在新的博文中也会分享一下pointnet++网络结构及代码，以及分类网络和部件分割网络的可视化代码部分。如果博客中哪里出现有错误，还请各位大佬指正。
PointNet++点云处理TensorFlow版
08-29
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。  本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
PointNet 和 PointNet++ pytorch版本 复现 modelnet40
点云算法工程师
04-26 1342
pointnet pytorch复现
pointnet++自制室外城市区域数据集
08-04
《PointNet++自制室外城市区域数据集详解》 在计算机视觉和深度学习领域，三维点云数据处理是一项重要任务，而PointNet++作为一种强大的点云处理框架，为理解和解析复杂三维环境提供了有效工具。本文将深入探讨...
PointNet++点云处理精讲(PyTorch)
06-22
本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法； （2）在...
PointNet笔记
10-19
总结PointNet的基本原理，以及实现的方法，解释论文中难以理解的部分。
使用Colab运行Pointnet分类
01-21
Colab使用 Colab为用户提供免费的 Tesla T4 GPU 算力，每天可以使用12小时 在Google云端硬盘新建文件 ... ... from google.colab import drive drive.mount('/content/drive') 根据需要设置当前路径 ...
PointNet中出现错误的小文件render_balls_so.dll
09-02
解决复现 PointNet 中出现的【dll = np.ctypeslib.load_library(‘render_balls_so’, ‘.’) OSError: no file with expected extension：】问题。只需要替换原作者代码中的文件就可以。
在编译tf_ops时，出现/usr/bin/ld: cannot find -ltensorflow_framework
plcerror的博客
11-25 704
高版本下tensorflow下，在编译tf_ops时，无法进行链接动态库问题
pointSIFT报错：找不到 -ltensorflow_framework
weixin_53421434的博客
11-23 1723
本人环境：ubuntu18.04 tensorflow 2.1 在复现pointSIFT的时候，按照readme提示，修改.sh文件中tensorflow和lib的位置，编译.sh文件时报错： /usr/bin/ld: 找不到 -ltensorflow_framework collect2: error: ld returned 1 exit status 原因是shell文件中连接到动态库libtensorflow_framework.so的时候，tensorflow 2.1的动态库名字为：lib
复现PointNet++时，遇到的问题总结（PointNet++中的python语法）
zihao_c的博客
10-22 1118
1、使用GPU和CPU的方法。 y.cpu()使用CPU进行计算。 y.cuda()，使用GPU进行计算。 2、one-hot encode(独热编码) 独热码是一组数，其中只有一个值为1，其余都是0。同样的，一组数中只有一个0，而其余都为1则称为独冷码。 ...
pointnet 代码复现
江小举的博客
01-31 4684
文章目录一、环境准备二、数据集准备三、训练模型四、实验结果 一、环境准备 根据作者描述使用python2.7+tensorflow1.0.1+cuda8.0。在Ubuntu16.04中复现。 1. 配置cuda8.0+cudnn5.1 具体过程可参考网上教程 2. 配置python2.7+tensorflow1.0.1、 使用conda创建虚拟环境便于管理 conda create -n poin...
pointnet++复现pytorch
06-28
### 回答1： 好的，以下是使用PyTorch复现PointNet++的步骤： 1. 安装PyTorch和其他必要的库，如numpy、scipy、h5py等。 2. 下载PointNet++的代码和数据集。可以从官方GitHub仓库下载代码，数据集可以从官方网站下载。 3. 将数据集转换为PyTorch可以处理的格式。可以使用h5py库读取数据集，然后将数据转换为PyTorch张量。 4. 编写模型代码。PointNet++的模型代码可以在PointNet++的GitHub仓库中找到。将代码转换为PyTorch版本并进行必要的修改。 5. 训练模型。使用PyTorch的优化器和损失函数训练模型。可以使用PyTorch的DataLoader加载数据集，并使用PyTorch的GPU加速训练过程。 6. 测试模型。使用测试集测试模型的性能。可以使用PyTorch的评估函数计算模型的准确率和其他指标。 7. 调整模型。根据测试结果调整模型的参数和架构，以提高模型的性能。 以上是使用PyTorch复现PointNet++的基本步骤。需要注意的是，这只是一个大致的指导，具体的实现过程可能会因为数据集和模型的不同而有所不同。 ### 回答2： PointNet 是一种用于点云数据的深度学习模型，其对点云进行全局池化（global pooling）以及局部特征学习（local feature learning）的方法使得其在各种场景中取得了非常好的结果。本文将介绍如何使用 PyTorch 复现 PointNet 模型。 首先，我们需要准备数据。PointNet 接收的输入是点云，我们可以通过采样或者转换方法将 mesh 数据转换为点云数据。在转换为点云后，我们可以将点云转换为 numpy array，并使用 PyTorch 的 DataLoader 进行数据预处理。在这里我们使用 ModelNet40 数据集进行实验。 接下来，我们需要定义 PointNet 模型的结构。PointNet 包括两个编码器和一个分类器。编码器用于从点云中提取特征信息，分类器用于将提取的特征映射到具体的分类标签。这里我们定义一个函数 PointNetCls，将编码器和分类器都封装在这个函数中。 ```python import torch.nn as nn import torch.nn.functional as F import torch.optim as optim class PointNetCls(nn.Module): def __init__(self, k=40): super(PointNetCls, self).__init__() self.k = k self.conv1 = nn.Conv1d(3, 64, 1) self.conv2 = nn.Conv1d(64, 128, 1) self.conv3 = nn.Conv1d(128, 1024, 1) self.fc1 = nn.Linear(1024, 512) self.fc2 = nn.Linear(512, 256) self.fc3 = nn.Linear(256, k) def forward(self, x): batchsize = x.size()[0] x = F.relu(self.conv1(x)) x = F.relu(self.conv2(x)) x = F.relu(self.conv3(x)) x = torch.max(x, 2, keepdim=True)[0] x = x.view(-1, 1024) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return F.log_softmax(x, dim=1) ``` 具体来讲，我们先使用三个卷积层提取特征信息，然后使用 max pooling 进行池化，最后通过三个全连接层将提取的特征映射到具体的分类标签。特别的，我们将最后一层的输出使用 softmax 函数来进行分类。 训练过程如下： ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = PointNetCls().to(device) optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(300): model.train() for batch_id, (data, label) in enumerate(train_loader): optimizer.zero_grad() data, label = data.to(device), label.to(device) pred = model(data) loss = F.nll_loss(pred, label) loss.backward() optimizer.step() print(f'Epoch {epoch}: Training Loss: {loss.item()}') model.eval() correct = 0 for data, label in test_loader: data, label = data.to(device), label.to(device) pred = model(data) pred = pred.data.max(1)[1] correct += pred.eq(label.data).cpu().sum() accuracy = correct.item() / float(len(test_loader.dataset)) print(f'Epoch {epoch}: Testing Accuracy: {accuracy}') ``` 可以看到，在训练阶段我们使用 Adam 优化器来优化模型，并使用负对数似然对数函数作为损失函数。在测试阶段我们将模型设置为评价模式，并使用预测结果和真实标签的比对结果计算准确率。 通过以上步骤，我们已经完成了一个 PointNet 的 PyTorch 实现。当然，为了提高准确率我们还可以对模型结构进行优化，如引入 dropout、batch normalization 等结构，或者将模型拓展到 PointNet++ 等更加优秀的架构。 ### 回答3： PointNet是一种针对点云数据进行分类和分割的深度学习模型，其在处理三维几何数据方面具有很好的效果，也被广泛应用于许多领域。为了复现PointNet模型，我们可以使用Pytorch框架进行实现。下面是针对PointNet复现的详细步骤： 一、准备数据 首先需要准备点云数据集，我们可以使用ShapeNet数据集中的某些部分进行测试。我们需要将点云数据转化为numpy数组形式，并将其划分为训练集和验证集。 二、数据预处理 在进行训练工作之前，我们需要将点云数据进行预处理，包括点云的标准化和噪声过滤等操作。处理后的数据可以使用dataloader以batch的形式进行加载。 三、搭建模型 我们可以按照PointNet的论文中的模型结构进行搭建。线性变换、最大池化和ReLU激活层的堆叠是构成模型的主要部分。我们需要使用Pytorch中定义模型的方法实现PointNet模型。 四、训练模型 我们可以使用Pytorch自带的优化器，如Adam优化器来训练PointNet模型。在每个epoch结束后，我们可以计算模型在验证集上的精度和准确度，以评估模型性能。 五、测试模型 完成模型训练后，我们可以使用Pytorch中的模型预测方法对新的未见数据进行分类和分割预测。 这些就是复现PointNet模型的详细步骤。此外，还需要注意一些细节问题，例如使用GPU加速训练、采用KNN算法处理最近邻等。借助Pytorch框架，我们可以轻松地实现PointNet模型，从而应用到更多的实际场景中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

茅蒐Rubia

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值