Win10系统下复现Pointnet++（pytorch）

吃鱼不卡次

已于 2024-01-09 15:56:39 修改

阅读量1.4w

点赞数 44

分类专栏：点云深度学习文章标签： pytorch 3d 深度学习

于 2023-07-31 00:17:51 首次发布

本文链接：https://blog.csdn.net/weixin_45144684/article/details/132012263

版权

点云深度学习专栏收录该内容

8 篇文章

订阅专栏

本文详细介绍了如何在Windows10环境下使用Pointnet++实现点云的分类、部件分割和语义分割。提供了源码下载、环境配置步骤，包括Python、PyTorch和CUDA的版本选择，以及ModelNet40、ShapeNet和S3DIS数据集的下载和预处理。文章还包含了训练模型的具体命令和训练结果，并讨论了评价指标。最后，指出了项目中缺少预测代码和可视化部分，表示后续会分享相关代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本博客主要讲了如何使用公共数据集在pointnet++网络下实现分类网络，部件分割网络以及语义分割网络，这三个实验在win10下已经全部验证跑通，只要跟着博文同样可以无痛跑通，另文末附已下载好的数据集。

1.pointnet++源码下载与环境配置

3.ShapeNet数据集下载并训练点云部件分割模型

3.1shapeNet数据集下载

4.S3dis数据集下载并训练点云语义分割模型

4.总结

1.pointnet++源码下载与环境配置

1.1源码下载

直接贴出链接，下载后使用vsCode打开，开始配置环境。yanx27/Pointnet_Pointnet2_pytorch: PointNet and PointNet++ implemented by pytorch (pure python) and on ModelNet, ShapeNet and S3DIS. (github.com)https://github.com/yanx27/Pointnet_Pointnet2_pytorch

1.2环境配置

参考该项目的环境进行配置：Python3.7，PyTorch1.6，torchvision0.7.0(一般都是比torch版本高0.1或者0.1.1，当然可以自己去查去验证一下)。

但是由于我电脑的显卡是4060，所以安装高一点版本的CUDA，我选择Python3.8，PyTorch1.12，torchvision0.13.0

第一，下载torch和torchvison文件：我习惯是下载torch.whl和torchvision.whl文件来安装的，可以在下面的链接下载（这里演示的是下载Python3.7，PyTorch1.6）：download.pytorch.org/whl/torch_stable.htmlhttps://download.pytorch.org/whl/torch_stable.html 下载对应的torch和torvison版本，如下所示：

第二，创建Anaconda虚拟环境并激活环境

#创建名为pointnet2的虚拟环境
conda create -n pointnet2 python=3.8 -y
#激活环境
conda activate pointnet2

第三，安装torch和torchvison：下载的文件可以直接拖到命令框中，变成路径名，pip install安装即可。

#安装torch
pip install E:\edgeDownLoad\torch-1.12.0+cu116-cp38-cp38-win_amd64.whl
#安装torchvison
pip install E:\edgeDownLoad\torchvision-0.13.0+cu116-cp38-cp38-win_amd64.whl

第四，安装其他依赖：需要安装tqdm,用来显示进度条的。

2.点云分类模型

2.1Modelnet40数据集下载

数据集下载地址：全部下载下来就行了，总共有1.6个G。

https://shapenet.cs.stanford.edu/media/modelnet40_normal_resampled.zip

数据集位置：然后数据全部放在data/modelnet40_normal_resampled/路径下面，如下所示：里面的数据全部是以txt格式进行存储的，共有40个类别，还包含着划分的训练集和验证集文件配置。

数据可视化：可以任意打开一个txt文件查看，每个点包含六列信息，分别代表X,Y,Z坐标以及其对应法向量，至于其类别标签其实就是文件名，或者可以理解为文件夹上。

2.2模型训练

参考作者的ReadMe文件已经说明的很清楚了，训练时候主要分为是否利用法向量信息，如果使用法向量信息则使用--use_normals。

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg

## e.g., pointnet2_ssg with normal features
python train_classification.py --model pointnet2_cls_ssg --use_normals --log_dir pointnet2_cls_ssg_normal
python test_classification.py --use_normals --log_dir pointnet2_cls_ssg_normal

## e.g., pointnet2_ssg with uniform sampling
python train_classification.py --model pointnet2_cls_ssg --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
python test_classification.py --use_uniform_sample --log_dir pointnet2_cls_ssg_fps

# ModelNet10
## Similar setting like ModelNet40, just using --num_category 10

## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --num_category 10
python test_classification.py --log_dir pointnet2_cls_ssg --num_category 10

我这里以不使用法向量信息训练为例，执行指令，下图是跑了一轮的结果，评价指标是训练和验证的准确率。

python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --batch_size 8

3.ShapeNet数据集下载并训练点云部件分割模型

3.1shapeNet数据集下载

数据集下载地址：

https://shapenet.cs.stanford.edu/media/shapenetcore_partanno_segmentation_benchmark_v0_normal.zip

数据集位置：然后数据全部放在data/shapenetcore_partanno_segmentation_benchmark_v0_normal/路径下。

模型训练：使用以下指令训练模型，如下所示

## Check model in ./models 
## e.g., pointnet2_msg
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

（出现BUG）:AttributeError: module 'numpy' has no attribute 'float'.这种情况一般是由于numpy版本问题，查阅相关资料，将numpy版本降低为1.23.5就行了。

下面是训练一轮的结果，评价指标有训练的准确率（train accuracy），每个类别的mIoU(共16个类50个部件)，测试的准确率（test Accuracy），class mIoU，instance mIoU。这里介绍一下class mIoU，instance mIoU，其实主要就是分母不相同：

class mIoU：分母为类别数，反映的是类别的精度。instance mIoU:分母是预测的实体数，反应的是实体的精度。

下面举例说明，比如现在有两个类共5个类别，分别为类别cls1有a,b两个部件，cls2有c,d,e三个部件：

cls1:
    a,b

cls2:
    c,d,e

比如一个批次里面有3个点云(3个实例)，一个是cls1,两个是cls2,每个类的部件mIoU为：

cls1:
    a：0.5
    b：0.6
                                ===>cls1 mIoU:(0.5+0.6)/2=0.55
第一个cls2:
    c：0.6
    d：0.7
    e：0.8
                                ===>第一个cls2 mIoU:(0.6+0.7+0.8)/3=0.7
第二个cls2:
    c：0.5
    d：0.5
    e：0.5
                                ===>第二个cls2 mIoU:(0.5+0.5+0.5)/3=0.5


class mIoU=[0.55/1+(0.7+0.5)/2]/2=0.575

instance mIoU=(0.55+0.7+0.5)/3=0.5833

4.S3DIS数据集下载并训练点云语义分割模型

数据集下载地址：Index of /s3dis (ethz.ch)

数据集位置：然后数据全部放在data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/.要看清楚是在data下新建s3dis文件。

数据预处理:进入data_utils文件夹，执行collect_indoor3d_data.py，将在data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/生成npy文件，应该把这些npy文件全部放到/data/stanford_indoor3d路径下。

模型训练：执行以下指令就行了

python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

报错了EOFError: Ran out of input，可以通过调小num_worker来解决，如下所示，不然我都内存都快爆了😂😂

这差不多也算是跑起来了，至此三个网络都过了一遍，这个项目很顺畅没有什么坑。

4.总结

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。

数据集自取链接：https://pan.baidu.com/s/1Mr4axiajSkMEZ9lPclMcSA 提取码：hiio