win10系统下使用pytorch版本的KPConv模型训练S3DIS数据集bug修改

最新推荐文章于 2024-06-20 13:32:49 发布
最新推荐文章于 2024-06-20 13:32:49 发布
阅读量1.9k 收藏 6
点赞数 2
分类专栏： 深度学习 点云 文章标签： 点云语义分割 KPConv pytorch bug修改
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/u014311125/article/details/119421255
版权
本文介绍了在Windows 10系统下，使用PyTorch实现的KPConv模型训练S3DIS数据集时遇到的四个主要问题及解决方案：1) 编译cpp_neighbors和cpp_subsampling模块的bug；2) 读取数据时多线程问题；3) 显存不足问题；4) 计算loss时的类型错误。给出了具体的修改步骤和代码位置。
摘要由CSDN通过智能技术生成

一、pytorch版本KPConv模型github地址

KPConv-PyTorch

二、系统环境

系统:win10
torch:1.7
cuda:10.1
cudnn:7.6.5
显卡:2080TI

三、bug修改

3.1、编译下采样和最近邻搜索模块bug
作者给的编译方法是
在win10系统下，分别编译cpp_neighbors和cpp_subsampling，执行

cpp_wrappers/cpp_neighbors/build.bat

和

cpp_wrappers/cpp_subsampling/build.bat

我自己在win10系统下测试时发现执行build.bat会提示没有py命令,如果你也遇到同样的问题，可以按照下面的操作编译
编译cpp_neighbors，在cmd下进入cpp_warppers\cpp_neighbors文件夹，执行下面语句

python setup.py build_ext --inplace
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GHZhao_GIS_RS
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
专栏目录
订阅专栏
KPConv-PyTorch:在PyTorch中实现内核点卷积
05-07
由Hugues THOMAS创建 介绍 该存储库包含PyTorch中的内核点卷积（KPConv）的。 Tensorflow也提供 （原始但较旧的实现）。 提供了另一种实现方式 KPConv是我们的ICCV2019论文（ ）中介绍的点卷积算子。 如果您发现我们的工作对您的研究有用，请考虑引用： @article{thomas2019KPConv, Author = {Thomas, Hugues and Qi, Charles R. and Deschaud, Jean-Emmanuel and Marcotegui, Beatriz and Goulette, Fran{\c{c}}ois and Guibas, Leonidas J.}, Title = {KPConv: Flexible and Deformable Convolution for Point
KPConv（pytorch）复现
m0_50019809的博客
07-17 1207
已有CUDA，对照着装torch即可，还有官方代码中的INSTALL.md，对着安装即可。最后是有一布编译，linux和windows有不同的方法。这样windows上的就OK了，需要在两个文件夹分别执行，而且生成文件的名称需要改一下，看一下源码里是怎么写的，改好就行了，linux生成的文件也一样，要不然跑不起来，报错找不到。最近刚看了相关的点云分割数据，准备吧KPConv跑通，用的是服务器，已经装好的11.7的CUDA，链接在github上。在doc文件夹里面有对应不同训练的说明文件，按照说明执行即可。
mmdetection3D自定义数据集制作
最新发布
AFan_naFA的博客
06-20 1091
由上述链接可以知道：（1）s3dis数据集分为6个区域，每个区域有许多房间；（2）每个区域的文件夹结构为：以hallway3为例：其中每个房间文件夹(hallway3)文件夹下有hallway3.txt以及一个Anotations文件夹；其中hallway3.txt是这个房间的点云文件， 由annotations文件夹中的所有点云文件组成。（3）每个annotations文件夹中夹的文件名即为其标注；（4）每个txt文件的每一行代表一个点，每一列代表一个维度；（5）
【点云分割】常用数据集介绍—— S3DIS数据集
原来也有北瓜
08-09 3433
S3DIS（Stanford 3D Indoor Spaces Dataset）是一个常用的室内场景理解和三维语义分割数据集。它包含多个室内建筑物的点云数据和详细的语义标签。一些重要信息：（1）该点云是与x轴和y轴已经对齐好的；（2）该点云单个房间大概在几百万规模，整个区域的规模大概在千万。
Pointnet语义分割任务S3DIS数据集
qq_37534947的博客
11-18 7628
文章目录1.前言2.数据集准备3.训练：4.测试：4.分割效果评价 1.前言 Pointnet的网络结构和源码解释，已在之前写了次总结，本次主要针对论文中的数据集以.h5为TensorFlow的输入格式进行解释，记录如何制作H5文件，以提供给TensorFlow，PyTorch框架中进行训练。 首先，Pointnet一文中针对3个不同的任务使用到了三个数据集，分别为： 点云分类（3D Object Classification）——ModelNet40，下载命令在provider.py中，运行pyt
Win10 faster-rcnn pytorch1.0入坑记录及数据集准备
01-20
环境：win10 py36 cuda10 pytorch1.0 源代码：pytorch1.0 （如果是pytorch0.4可以看pytorch0.4） 两个代码都是linux下的，win10坑很多…… 1、遇到的cl.exe找不到或者.cu导致setup.py编译不成功 网上解决问题很多 ，...
matlab集成c代码-s3dis_semantic:在语义级别显示s3dis数据集
05-22
matlab集成c代码 S3DIS数据集解析 S3DIS数据集是斯坦福大学开发的带有像素级语义标注的语义数据集，包含了rgb，depth，3d点云、mesh等。 官网： github： 数据格式 还原点云数据有多种方式，可以通过直接解析自带的mat文件进行解析，也可以通过合成rgb和深度图进行解析。本文以Area_1数据为例。 1.直接解析pointcloud.mat文件 数据集自带的mat文件包含了每一label的点云坐标、rgb，标注、物体体积、是否占有能属性组成。数据结构如下： 该mat文件包含一个struct结构体，结构体又往下分级。 可以用python直接解析该mat文件，本人对python不太熟悉，因此最后采用了将该mat文件转化为json脚本的形式，通过c++进行解析。 通过matlab解析json非常简单，只需要下载安装一个插件JSONlab，对应链接： 添加到matlab的toolkit文件加中，再将路径添加进行即可。matlab程序如下： load('pointcloud.mat') name_ALL = Area_1.Disjoint_Space; for i=1
S3DIS 点云数据集 网盘链接
02-02
3d点云公开数据集
S3DIS配准版.zip
06-04
Stanford large-scale 3D Indoor Spaces Dataset (S3DIS)
Pytorch实现：使用ResNet18网络训练Cifar10数据集，测试集准确率达到95.46%(从0开始，不使用预训练模型)
01-06
本文将介绍如何使用数据增强和模型修改的方式，在不使用任何预训练模型参数的情况下，在ResNet18网络上对Cifar10数据集进行分类任务。在测试集上，我们的模型准确率可以达到95.46%。在Kaggle的Cifar10比赛上，我训练...
S3DIS 点云分割数据集
一千零一夜的博客
05-23 922
S3DIS
S3DIS数据集学习笔记
weixin_47142735的博客
11-29 1万+
S3DIS是一个大型的3d室内数据集，关于它的介绍网上很多了。它主要是由xyz+rgb+法向量 9个特征 和一个标签组成的，长度为10的向量。 由于这个数据集比较大，不利于训练，PointNet++训练之前会将它进行预处理，划分为1mx1m的区域，然后再放入网络进行训练。 下面是关于它的代码分析，这个数据集运行的前提是，你已经按照PointNet++的readme运行了collect_indor3d_data，将txt文件转换为了.npy文件 class S3DISDataset(Dataset):
大场景室内点云标注数据集S3DIS介绍
weixin_41965898的博客
08-30 1万+
重要说明 多用于室内点云的语义分割和实例分割（每个柱子桌椅等都是分开标注的） 6个区域：【目录名称】 Area1、Area2、Area3、Area4、Area5、Area6 13个语义元素： 【annotation的类别】 天花板ceiling、地板floor、墙壁wall、梁beam、柱column、窗window、门door 桌子table、椅子chair、沙发sofa、书柜bookcase、板board、混杂元素（其他）clutter 11种场景：【单文件的名称】 办公室、会议室、..
探索KPConv-PyTorch：一种高效的3D点云处理框架
gitblog_00080的博客
04-25 403
探索KPConv-PyTorch：一种高效的3D点云处理框架 KPConv-PyTorchKernel Point Convolution implemented in PyTorch项目地址:https://gitcode.com/gh_mirrors/kpc/KPConv-PyTorch 在计算机视觉领域，3D点云数据处理是不可或缺的一部分，而KPConv-PyTorch 是一个强大的深度学...
KPConv论文与pytorch代码记录
jokester_sy的博客
05-22 3113
KPConv: Flexible and Deformable Convolution for Point Clouds 模型： Rigid KPConv 每个kernel point的权重WkW_kWk​为Cin∗CoutC_in*C_{out}Ci​n∗Cout​大小的矩阵。 对于球邻域中的每一个点，让它与所有kernel point都计算一个权重，并加在一起（第二个公式）。 对于一整个球邻域，计算出每一个点的权重加在一起，最终乘特征fif_ifi​（第一个公式）。 h是kernel poi
不同格式点云存储结构(txt、pcd、las、ply)整理以及基本的读写、可视化方法
热门推荐
zhaoguanhua的博客
07-15 3万+
一、文本（txt） 按行排列，x，y，z，r，g，b 如下图 二、PCD 文件头 三、LAS 四、PLY PLY是一种多边形文件格式，由Standford大学的Truk等人设计开发
点云语义分割:使用RandLA-Net训练自己的数据集
zhaoguanhua的博客
09-13 7520
使用RandLA-Net训练Semantic3D数据集一、数据获取与下载1、数据介绍2、数据预处理二、模型三、测试四、验证结果 一、数据获取与下载 1、数据介绍 数据下载地址:Semantic3D 2、数据预处理 2.1、点坐标、颜色、标签合并、保存成npy格式 2.2、下采样、建立kdtree、建立投影文件 二、模型 三、测试 四、验证结果 ...
在tensorflow2.0环境下使用RandLA-Net训练Semantic3D数据集
zhaoguanhua的博客
07-26 7387
最近在做点云语义分割，RandLA-Net是比较新的针对大规模点云的语义分割网络，之前一直使用的是torch版本的代码在训练自己的数据集，训练结果一直很差，同时我在Semantic3D数据集上训练的效果也很差，有几类精度始终为0，最终平均iou只有20%多，这和作者论文中给出的实验结果相差很大。 为了验证是否是我使用的pytorch工程代码的问题，我打算在作者自己提供的代码上测试一下Semantic3D数据集，RandLA-Net作者在github上发布的是tensorflow版本的代码，而且是tensor
最详细的randla-net讲解及pytorch实现训练s3dis数据集
12-15
randla-net是一个基于深度学习的点云语义分割网络，可以用于识别和分割地面、建筑物、树木等物体。它主要由两个部分组成，即局部特征学习和全局特征融合。局部特征学习通过提取每个点周围的局部特征来捕捉局部信息，而全局特征融合则通过学习整个点云数据集的全局特征来融合全局信息。 在pytorch中实现randla-net的训练过程需要先加载S3DIS数据集，然后进行数据预处理和数据增强，接着构建randla-net模型并定义损失函数。在训练过程中，可以使用交叉熵损失函数来计算模型预测结果与真实标签之间的差异，然后通过优化器来调整模型的参数以最小化损失函数，最后对模型进行评估和测试。 具体而言，可以通过pytorch中的torch.utils.data.Dataset和torch.utils.data.DataLoader类来加载S3DIS数据集并进行数据预处理，例如对点云数据进行归一化、采样、旋转等操作。然后可以使用torch.nn.Module来构建randla-net模型，定义网络结构和前向传播过程。在训练过程中，可以使用torch.optim来选择梯度下降算法，并设置学习率和动量等超参数，然后通过循环迭代数据集来进行模型训练。 总之，通过对randla-net的详细讲解以及在pytorch中的实现训练S3DIS数据集，可以更好地理解这个深度学习模型的原理和实际应用，也能够在实践中掌握pytorch库的使用和模型训练技巧。
评论 9
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

GHZhao_GIS_RS

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