【PointNet++】制作点云数据集使用CloudCompare进行标注

目录

一、背景

二、标注步骤:

2.1 导入数据

2.2裁剪点云

2.3点云标注

2.4 数据合并

2.5 数据保存

三、踩坑记录


 Open3D点云算法汇总及实战案例汇总的目录地址:

Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客


一、背景

        使用PointNet++复现成功后,需要训练自己的数据集。于是使用cloudcompare参照ShapeNet的数据集格式去制作,最终保存的txt文件格式为“xyz+rgb+label”,一共7列。

        自己按此制作好的数据集已成功训练及推测,于是记录下来让好兄弟好姐妹们少踩坑多吃肉

二、标注步骤:

2.1 导入数据

        直接拖到cloudcompare界面即可,以此Open3D官方的小怪兽点云文件为例。

  • 24
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
PointNet 是一种用于处理点云数据的神经网络模型,用于实现点云数据的分类、分割和语义分割等任务。在使用 PointNet 进行训练和测试之前,需要准备好相应的训练和测试数据集PointNet 的数据集制作可以分为以下几个步骤: 1. 数据收集:首先需要收集与任务相关的点云数据。例如,如果是进行点云分类任务,需要收集各个类别的点云数据,每个类别的数据应该是平衡的,即每个类别的数据量相当。收集的点云数据可以来自于各种数据来源,如激光扫描仪、深度相机等。 2. 数据预处理:在收集到的原始点云数据上,进行数据预处理。可以对点云数据进行清洗、降采样、切割等操作,以获得更加规范、统一的数据格式和尺度。 3. 数据标注:对收集到的点云数据进行标注,即为每个点云数据添加对应的标签或者类别信息。对于点云分类任务,可以为每个点云数据添加一个类别标签;对于点云分割或语义分割任务,可以为每个点添加一个语义标签,表示该点所属的语义类别。 4. 数据划分:划分数据集为训练集、验证集和测试集。通常会按照一定的比例划分,例如80%的数据用于训练,10%的数据用于验证,10%的数据用于测试。 5. 数据格式转换:将经过预处理、标注和划分后的数据转换成适合 PointNet 模型输入的格式。PointNet 模型需要输入的数据格式是一个点云矩阵,即每个点云数据表示为一个 N×3 的矩阵,其中 N 是点云的点数,每个点有三个坐标值。 以上是关于 PointNet 数据集制作的基本步骤。根据具体的任务和数据情况,可能还会有一些额外的处理和操作。这些步骤能够保证数据的质量和适应模型的需求,为后续的训练和测试提供准确、有效的数据支持。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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