PointNet 和 PointNet++ pytorch版本复现 modelnet40

Nice_cool.

已于 2023-05-04 18:22:13 修改

阅读量1.3k

点赞数 3

分类专栏：三维点云文章标签： pytorch 深度学习人工智能

于 2023-04-26 23:09:47 首次发布

本文链接：https://blog.csdn.net/weixin_40653140/article/details/130395087

版权

三维点云专栏收录该内容

10 篇文章 1 订阅

订阅专栏

复现一下经典的 PointNet的pytorch版本
记录一下复现的过程

代码下载

git clone https://gitcode.net/mirrors/yanx27/pointnet_pointnet2_pytorch.git

环境配置

python=3.8.13
cuda=11.2
cudnn=8.1.0

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

 pip install tqdm  -i https://pypi.tuna.tsinghua.edu.cn/simple  --timeout=120

数据集下载

要新建 data 文件夹然后放数据进去
data/modelnet40_normal_resampled

PointNet 开始训练

python train_classification.py

请添加图片描述

PointNet 测试

python test_classification.py --log_dir 2023-04-26_21-53/

–log_dir 在 pointnet_pointnet2_pytorch/log/classification 下面的那个日期 pointnet 的
请添加图片描述

PointNet++ 开始训练

python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg

在这里插入图片描述

PointNet++ 测试

python test_classification.py  --log_dir pointnet2_cls_ssg

在这里插入图片描述

不得不说一句，这个 pytorch 环境配置就是比tf方便啊

参考链接

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Nice_cool.

关注关注

3
点赞
踩
23

收藏

觉得还不错? 一键收藏
0
评论
PointNet 和 PointNet++ pytorch版本复现 modelnet40

pointnet pytorch复现
复制链接

扫一扫

专栏目录

Win10系统下复现Pointnet++（pytorch）

ice

07-31

7959

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。

PyTorch复现PointNet++——模型训练+模型测试

beyond谚语的博客

07-12

1556

PyTorch复现PointNet++——模型训练+模型测试

参与评论您还未登录，请先登录后发表或查看评论

3D点云目标检测算法Pointnet++项目实战 Pytorch实现

qq_42446745的博客

09-24

1万+

本人研二在读，3D点云目标检测方向，自动驾驶场景，刚刚复现完成PointNet++分类和分割网络，效果还不错，分享给大家。 Pointnet++算法的原理在此不再赘述，本文专注讲一下重要代码，从输入数据到输出结果展现复现过程。注：复现的是MSG特征拼接方法，MRG的代码作者没有公布出来，代码里还有SSG的，也就是没有做半径特征拼接的原始方法，自己也可以跑一下。附代码。代码里对重要的语句都进行了详细的注释喔~ 链接：https://pan.baidu.c...

PyTorch复现PointNet——模型训练+可视化测试显示

beyond谚语的博客

07-09

1436

PointNet源码调试（模型训练+可视化测试显示）

复现pointnet++在windows10+pytorch1.x上的分类，来自课程白勇老师的点云处理精讲

qq_38633071的博客

11-19

5715

1 序言未设置虚拟机和linux环境，使用了anaconda 创建python环境，根据白勇老师的课程进行学习，本人之前未系统学过python，边摸索边学习。后面发现白老师给的代码和视频有一些差别，当然python厉害的同学一眼就能看到，我这个菜鸡记录下来自己复习和学习。 2，配置环境 Anaconda+Pycharm Cuda10.2 Cudnn（我是默认的安装） Python3.7 3 准备工作 3.1打开Annaconda Promt，创建一个虚拟环境专门应用于Pointnet....

Pytorch1.7复现PointNet++点云分割（含Open3D可视化）（文末有一个自己做的书缝识别项目代码）

最新发布

惊鸿若梦一书生

07-25

1621

该方法用于将预先保存的参数字典加载到模型中。这种方法非常灵活，适用于加载不同环境中的模型参数。是 PyTorch 中加载模型参数的标准方法。通过理解state_dict和strict参数的用法，可以灵活地在不同模型版本之间加载和迁移参数，提高模型的复用性和管理效率。

【Pytorch实战教程】Pytorch中model.train()和model.eval()的作用

惊鸿若梦一书生

07-22

269

在 PyTorch 中，`model.train()` 和 `model.eval()` 用于设置模型的`训练模式`和`评估模式`，它们的作用主要涉及模型中的特定层如批归一化（Batch Normalization）和丢弃（Dropout）等。

用PyTorch从零开始编写DeepSeek-V2

deephub

07-23

4719

本文详细介绍了DeepSeek-V2语言模型，这是一个强大的开源混合专家（MoE）语言模型，采用创新的架构来提高训练和推理的经济性和效率。DeepSeek-V2采用了两种核心技术：细粒度专家分割和共享专家隔离，这两种策略显著提高了专家的专业化水平。此外，文章还介绍了多头隐性注意力（MLA），这是一种改进的注意力机制，通过低秩键值联合压缩和解耦旋转位置嵌入，优化了模型的存储和计算效率。除了理论探讨，我们通过编写代码实现DeepSeek-V2，可以更深入地理解其架构和工作原理。

Pytorch深度学习实践（8）多分类任务

Iawfy22的博客

07-24

1005

Pytorch深度学习实践课程（8）多分任务学习笔记与代码实现

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。