taifyang的博客

本文介绍了如何导出DCP点云配准模型的ONNX格式。首先需要从GitHub下载开源代码，然后在model.py中注册torch.svd算子以支持ONNX导出。接着修改main.py测试脚本，在测试过程中调用torch.onnx.export方法将模型转换为ONNX格式。关键步骤包括：1）添加SVD算子的符号注册；2）在测试流程中插入模型导出代码；3）指定opset_version为13以保证兼容性。该方法可直接将训练好的PyTorch模型转换为通用的ONNX格式，便于后续部署应用。

本文介绍了DGCNN模型在ONNX Runtime和TensorRT两种框架下的部署方法。首先通过修改PyTorch测试代码导出ONNX模型，然后分别实现了ONNX Runtime和TensorRT的推理流程。实验结果表明，两种部署方式都能正确运行并输出预测结果（类别4）。具体步骤包括：1）修改PyTorch测试代码导出ONNX模型；2）编写ONNX Runtime推理脚本；3）使用trtexec工具转换TensorRT引擎；4）实现TensorRT推理代码。该部署方案可用于3D点云分类任务，为边缘计算等场

【代码】OpenMMlab导出CenterPoint模型并用onnxruntime推理。

本文介绍了PointMLP模型的部署流程。首先配置环境并训练模型，然后导出ONNX模型并处理自定义算子。最后使用TensorRT 10进行推理测试，验证了模型在测试数据上的分类效果。整个过程涵盖了从模型训练到推理部署的关键步骤，展示了PointMLP模型在实际应用中的可行性。

摘要：本文提出将原始SAM3D中的SAM模型替换为FastSAM模型，构建FastSAM3D系统，并通过ONNXRuntime或TensorRT框架部署以提升推理速度。代码实现了基于FastSAM的图像分割、点云处理和3D重建流程，包括ONNX模型推理、深度图与彩色图对齐、点云坐标转换及分组处理等功能。该系统通过优化后的模型架构和部署方案，显著提高了3D场景理解任务的执行效率。

本文介绍了SegmentAnything3D（SAM3D）的环境搭建、数据准备和测试运行流程。首先通过conda创建Python 3.8环境，安装PyTorch、Segment-Anything等依赖库。然后下载ScanNet数据集并预处理点云和RGB数据。测试运行阶段使用预训练模型生成3D分割结果，并通过可视化代码展示分割效果。整个过程涵盖了从环境配置到结果可视化的完整流程，为3D场景分割任务提供了实践指南。

本文介绍了对Point-Transformer代码库的修改方案，主要涉及CUDA和PyTorch版本兼容性问题以及ONNX模型导出优化。首先需要将多个CUDA源文件中的THC头文件引用替换为ATen库引用，包括aggregation、grouping等核心模块。其次针对ONNX模型导出，重点修改了sampling模块的三个关键文件：重新实现了采样内核头文件，更新了CUDA接口实现，并优化了采样内核计算逻辑。这些修改确保了代码能够适配较新的CUDA和PyTorch版本，同时支持高效的ONNX模型导出。

本文介绍了PointConv模型的部署方法，包括ONNX Runtime和TensorRT两种方式。首先从GitHub下载源代码并自行训练模型。ONNX部署部分展示了如何将PyTorch模型导出为ONNX格式，并提供了Python推理脚本。TensorRT部署部分说明了如何将ONNX模型转换为TensorRT引擎，并给出了对应的推理代码示例。两种部署方法都支持动态批量处理，并提供了从预处理到模型推理的完整流程，适用于3D点云分类任务。

本文介绍了PointNet++模型的ONNX推理部署方法，主要包括以下内容：1）从GitHub下载PointNet++代码工程；2）修改pointnet2_utils.py文件中的关键函数，包括点云归一化(pc_normalize)、欧式距离计算(square_distance)、最远点采样(farthest_point_sample)和球查询(query_ball_point)等核心操作；3）实现了点云采样和分组(sample_and_group)功能，用于构建局部特征。这些修改为将PyTorch模型转换

本文介绍了GRCNN机器人抓取项目的模型转换与推理过程。首先从GitHub下载项目后，将训练好的PyTorch模型转换为ONNX格式，并展示了模型结构图。然后分别使用ONNXRuntime和TensorRT进行推理：ONNXRuntime版本实现了数据预处理、模型加载、推理执行以及结果后处理；TensorRT版本则详细展示了引擎加载、显存分配和推理流程。两种方法都能成功预测抓取点位置、角度和宽度，输出结果一致。代码提供了完整的数据处理流程和推理实现，便于在机器人抓取任务中应用该模型。

【代码】RandLA-Net导出onnx模型并使用onnxruntime推理。

通过mmdeploy的tool/deploy.py脚本容易转换得到PointPillars的end2end.onnx模型。

LZ也实现了cuda版本的前处理代码，但似乎效率比cpu前处理还低。可能是数据量不够大吧（才10^3数量级），而且目前LZ的cuda水平也只是入门阶段…其中推理引擎的构建也可以直接使用tensorrt的bin目录下的trtexec.exe。

注意，由于C++无法直接读取npy格式文件（可以依赖一些库），这里先使用python脚本将npy文件转换成txt文件。以分16类50部分，gpu版本为例。以分10类，gpu版本为例。以分13类，gpu版本为例。

目录数据集增强仿射变换平移变换旋转变换尺度变换仿射变换添加噪声高斯噪声随机噪声下采样指定体素指定点数数据归一化python版本实现见：点云数据常用处理：python实现数据集增强仿射变换平移变换#include <iostream>#include <fstream>#include <time.h>int main(int argc, char* argv[]){ std::ifstream infile; infile.open("rabbit

数据集增强仿射变换平移变换import numpy as npimport random#文件名old_file=r"rabbit.txt"new_file=r"rabbit_change.txt"#平移参数x_offset=random.uniform(-10, 10)y_offset=random.uniform(-10, 10)z_offset=random.uniform(-10, 10)#变换矩阵transformation_matrix=np.array([

环境配置：pytorch1.8.0+openvino2022.1.0OpenVINO的api使用比libtorch略复杂，但是使用起来大同小异；感觉OpenVINO的接口更偏C风格，libtorch接口更偏C++风格。：新增semantic segmentation部分，统一代码风格等。：新增python onnx推理脚本。

由于tensorflow编译C++的api比较麻烦，此次部署的pointnet代码的Python版本为Pytorch编写的。环境配置：win10系统或者libtorch1.4.0+VS2015软件下载和配置过程在此不赘述。：新增semantic segmentation部分，统一代码风格等。

没想到吧。。时隔一年我又回来了。这一年因为一些原因放弃了一些东西，也学到了一些东西。这几天想用深度学习做一下点云的分割试验，网上搜了一下相关标题的blog有很多，但大部分只是简单的介绍文章内容，干活并不多。经过五天的摸索，在缺乏相关资料和帮助的情况下，本人大致搞清楚了pointnet进行sem_seg的流程。可能步骤存在问题甚至是错的，因为也没有人交流，但从试验结果看来还行。欢迎阅读我的其他文章：windows下运行pointnet（全）windows下运行pointcnn训练首先准备自己的数据

本文介绍了PointCNN点云特征学习架构的环境配置与运行方法。环境要求包括Win10系统、CUDA10.1、cuDNN7.5、Python3.7和TensorFlow-gpu1.13。文章详细说明了数据集下载处理步骤，包括ModelNet和CIFAR-10数据集，并提供了训练脚本的运行方法。针对训练过程中出现的常见错误（如Python3命令未找到、GPU内存不足等）给出了解决方案。最后介绍了使用TensorBoard监控训练过程的方法。本文可作为在Windows系统下运行PointCNN的实用指南。

环境win10、cuda10.1、cudnn7.5、python3.7.2、tensorflow-gpu1.13，显卡RTX2060。代码获取pointnet代码链接运行1) classification1.下载ModelNet40模型并解压,目录结构为./pointnet-master/data/modelnet40_ply_hdf5_2048运行./pointnet-master......