windows下运行pointcnn

PointCNN(NIPS 2018)是山东大学李扬彦、卜瑞、孙铭超、陈宝权研究团队研究提出的简单通用点云特征学习架构。

环境

win10+cuda10.1+cudnn7.5+python3.7.2+tensorflow-gpu1.13,gpu是RTX2060。
如果是第一次运行PointCNN的话，可能需要安装以下python包，可以通过pip安装。下面是原作者在PointCNN-master/requirement.txt中列出的依赖条件：
matplotlib
plyfile
python-mnist
requests
scipy
svgpathtools
tensorflow-gpu>=1.6.0
tqdm
transforms3d

资源

pointcnn代码GitHub链接
cuda、cudnn、tensorflow等资源链接可见本人上一篇博文：windows下运行pointnet

运行

目前只尝试了分类pointcnn_cls部分。
1.下载并处理数据集
在PointCNN-master/pointcnn_cls文件夹下运行download_datasets.py。
下载modelnet数据集：

python download_datasets.py -d modelnet

下载cifar10数据集：

 python download_datasets.py -d cifar10

对于cifar10数据集训练之前还要运行下面程序对数据集做预处理：

python prepare_cifar10_data.py

2.运行训练程序
为了能在windows下运行Linux的脚本.sh文件，我们需要借助Git工具。这里可以参考Windows 系统下.sh文件的运行
切换到PointCNN-master/pointcnn_cls路径下,执行下面命令可以对modelnet数据集进行训练：

sh train_val_modelnet.sh -g 0 -x modelnet_x3_l4

从PointCNN-master同级目录下的models文件夹下的cls文件夹的pointcnn_cls_modelnet_x3_l4.txt可以看到脚本运行结果。下面是本人在运行脚本过程中遇到的报错以及解决方法。
1）报错：train_val_modelnet.sh: line 49: python3: command not found
修改train_val_modelnet.sh文件第49行，把python3改为python即可。
2）修改上面错误后再运行脚本，models/cls文件夹下出现一个以pointcnn_cls_modelnet_x3_l4开头的文件夹，但查看pointcnn_cls_modelnet_x3_l4.txt仍报错，类似：W tensorflow/core/framework/op_kernel.cc:1401] OP_REQUIRES failed at transpose_op.cc:199 : Resource exhausted: OOM when allocating tensor with shape[128,128,16,120] and type float on /job:localhost/replica:0/task:0/device:GPU:0 by allocator GPU_0_bfc
意思大概是说gpu资源耗尽了。修改PointCNN-master下文件train_val_cls.py第31行,设置batch_size大小为32：
修改前

parser.add_argument('--batch_size',help='Batch size (default defined in setting)', type=int)

修改后

parser.add_argument('--batch_size', default=32,help='Batch size (default defined in setting)', type=int)

修改之后可以正常训练，可以通过gpu资源占用率判断。本人gpu情况大约要训练12个小时。
又如对cifar10数据集进行训练：

sh train_val_cifar10.sh -g 0 -x cifar10_x3_l4

查看pointcnn_cls_cifar10_x3_l4.txt，若报错：train_val_cifar10.sh: line 48: python3: command not found
修改train_val_cifar10.sh文件第48行，把python3改为python即可正常训练，本人gpu情况估计要训练30+小时（因训练时间较长，本人没亲自尝试）。
3.查看训练情况

cd <your path>/PointCNN
tensorboard --logdir=../models/<seg/cls>

参考

PointCNN程序运行
PointCNN运行