Win11复现 PointNet ++ 分类任务 || 三维点云深度学习第一篇

已于 2024-03-16 17:29:55 修改
阅读量750 收藏 14
点赞数 19
文章标签： github windows 分类 3d
于 2024-03-16 17:26:42 首次发布
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/weixin_68087022/article/details/136765763
版权

​

Windows 11 Github 上 复现 PointNet ++Classification 任务

下载代码和安装依赖环境

安装git

知乎教程

Git clone

源码地址： PointNet Github

Alt

点击Code 复制HTTPS

到目标目录

shift-右键 Git Bash Here

输入

Git Clone <url>

​​​​​​
Alt

安装nodejs

Node.js — Download (nodejs.org) 根据电脑型号选择

Alt

到目标目录继续输入以下命令：

npm init -f

npm install

Alt
会在你的项目文件夹里看到node_modules文件 即成功

下载ModelNet40数据集

ModelNet40数据集
格式：txt
打开看看：顺便看看路径 别放错啦
红色是X Y Z 橙色是 normal features
在这里插入图片描述

将下载路径置于项目文件 新建的 data文件夹里

（备注：下载过慢可以安装IDM Internet Download Manager软件和插件到浏览器）

打开Anaconda Prompt 配置环境

激活虚拟环境 安装相应包

conda activate pytorch

(pytorch是我命名虚拟环境的名字 这里默认大家虚拟环境安装好了)

cd /d <目标路径>

也就是项目文件所在路径 同前面的路径

以tqdm为例

pip install tqdm

Alt

运行代码

README里面有简介 比如想用的模型（pointNet 还是pointNet ++(的ssg 还是msg )） 以及用的数据集、是否用法向量（除了xyz以外的三个特征）用不用gpu 此外还要记得给定batch_size

示例：

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

​在这里插入图片描述

There you go !!!
但是实在跑的太慢了QAQ
后续可能会出服务器使用教程！欢迎关注~

零一喵
关注
  • 19
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Pointnet++环境配置（Windows11和ubuntu）及训练教程
m0_51530640的博客
01-01 1114
PS:前两行命令是数据处理的命令，主要是进行数据读取和生成相应的训练数据格式，在Ubuntu上是正常运行的，在Windows上运行会失败，无法生成训练用的数据格式，所以最好在Ubuntu上训练，如果一定要用Windows，可以ubuntu上生成数据格式在导到Windows上，数据生成不需要安装torch。通过anaconda配置的环境，在官网找的命令安装的，版本是2.1.0+cu118。训练命令：我使用的pycharm，直接在pycharm中打开终端，运行命令。Python版本：3.7。
PointNet++点云处理TensorFlow版
06-22
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。   本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
PointNet - 2复现语义分割网络：Windows + PyTorch + S3DIS语义分割 + 代码
累了就要打游戏
01-17 1736
理论上讲：安装好库有数据就能跑通
震惊！如何使用PointNet++复现自己的点云语义分割数据集？
weixin_58663121的博客
05-26 754
使用PointNet++复现自己的点云语义分割数据集
Pointnet++环境配置+复现
weixin_58663121的博客
10-30 5739
深度学习点云经典网络Pointnet++
PointNet++复现、论文和代码研读
苏钟白的博客
10-30 880
单个SA层由采样层、分组层以及PointNet层三个模块组成。采样层用于从输入集合中选出每个局部区域的中心点，分组层用于构建局部区域点集，通过这两层完成局部区域的划分。PointNet层使用小型PointNet网络用于提取局部区域的特征，这一层用于聚合局部区域的特征。
Windows系统保姆级复现Pointnet++算法教程笔记（基于Pytorch）
m0_70694811的博客
01-08 3907
今天复现了PointNet++网络，中途也遇到过好多报错问题，但都一一解决了，最终实现cls、partseg、semseg训练(train)和测试(test)程序的成功跑通。3D点云目标检测算法Pointnet++项目实战 Pytorch实现附代码：链接：https://pan.baidu.com/s/10Nk4Zd3S_NklY5PJwzmnWA提取码：6688。
Pointnet++分类和分割数据集准备和实验复现
dc爱傲雪和技术
04-01 1918
原始的modelnet40是off文件，是cad模型OFF文件是一种用于存储三维对象信息的文件格式，全称为"Object File Format"。它主要用于存储几何体的顶点、边和面信息，以及可能的颜色和纹理数据，从而描述了一个或多个三维模型的结构。OFF文件格式因其简洁明了的结构而被广泛用于学术研究和三维图形应用中，特别是在计算机图形学、三维建模和可视化领域。OFF文件的结构相对简单，通常以"OFF"作为文件的开头，随后是顶点（vertices）、面（faces）和（可选的）边（edges）的数量。
PointNet系列代码复现详解(1)—PointNet分类部分
weixin_45699456的博客
03-14 6082
主要就是先记录一下训练轮次等基本信息，开启训练模式，更新学习率，然后开始一轮训练，优化器清零，然后数据增强，然后进行训练，一轮训练结束后会进行一次检测，最后检测结果与以前训练数据进行比较，保存最好的那个。方法计算分类正确的样本数，再除以该类别中的总样本数，即可得到分类器在该类别上的准确率。下面代码就是把训练的模型复制到对应的目录下，以便以后查看和对比，然后就获取对应的分类模型以及损失函数，激活函数。比如是否使用GPU，训练批次大小，模型，训练总轮数，以及优化器，训练日志保存路径等等。
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）
热门推荐
astruggler的博客
12-18 1万+
毕设需要，复现一下PointNet++的对象分类、零件分割和场景分割，找点灵感和思路，做个踩坑记录。
pointnet++复现
qq_45439980的博客
04-03 3644
首先修改代码中所有错误，与自己的python和tensorflow适配，导入该导入的包，其中provider和eulerangles和plyfile都在utils文件下或者pointnet-master的代码中 修改tf_ops中的文件：参考第一篇与第二篇 注意：报错 /usr/bin/ld: cannot find -ltensorflow_framework，collect2: error: ld returned 1 exit status。 应该是没有修改sh文件时未能找到/usr/…/ltens
PointNet++点云处理精讲(PyTorch)
06-22
PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。 本课程对PyTorch版的PointNet++进行原理讲解、论文...
pointnet++自制室外城市区域数据集
08-04
在计算机视觉和深度学习领域，三维点云数据处理是一项重要任务，而PointNet++作为一种强大的点云处理框架，为理解和解析复杂三维环境提供了有效工具。本文将深入探讨PointNet++及其在自制室外城市区域数据集上的应用...
三维点云网课视频（七套）
08-17
1-深度学习-3D点云实战系列 2-PointNet++三维点云处理精讲(PyTorch版)：论文复现+代码详解 3-点云处理基础与深度学习 4-深蓝-三维点云课程 5-深蓝-三维点云第四期 6-工fan-三维点云处理-算法与实战 7-3D感知技术
基于Point Transformers复现点云分割任务及HAQ算法进行自动量化压缩python源码+运行说明.tar
11-17
基于Point Transformers复现点云分割任务及HAQ算法进行自动量化压缩python源码+运行说明.tar基于Point Transformers复现点云分割任务及HAQ算法进行自动量化压缩python源码+运行说明.tar基于Point Transformers复现...
【PointNet++】Win11成功安装记录及填坑方法
最新发布
纵马踏花向自由
06-12 794
PointNet++在win11下复现成功及问题解决
深度学习环境搭建（pytorch环境）适用于win10/11系统下
weixin_38840531的博客
05-01 8510
深度学习环境搭建（pytorch环境）适用于win10/11系统下 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录深度学习环境搭建（pytorch环境）适用于win10/11系统下前言一、环境搭建需要的主要工具二、环境搭建步骤：(以win10系统搭建为例)1. Annoconda安装2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容：
PointNet++论文复现（一）【PontNet网络模型代码详解 - 分类部分】
晨的博客
03-22 1427
PointNet++论文复现（一）【PontNet网络模型代码详解 - 分类部分】
Pytorch：复现PointNet
养乐多的博客
08-23 7592
Pointnet代码，数据集，复现过程和复现中遇到的问题。查看seg文件代码。dll = np.ctypeslib.load_library(‘render_balls_so’, ‘.’) OSError: no file with expected extension：
用PyTorch复现PointNet++
04-06
以下是使用PyTorch复现PointNet的基本步骤： 1. 导入必要的库 ```python import torch import torch.nn as nn import torch.nn.functional as F ``` 2. 定义PointNet的基本操作 ```python class TNet(nn.Module): def __init__(self, k=3): super(TNet, self).__init__() self.conv1 = nn.Conv1d(k, 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*k) def forward(self, x): batch_size = 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) iden = torch.eye(x.size(1)).view(1, x.size(1)*x.size(1)).repeat(batch_size,1) if x.is_cuda: iden = iden.cuda() x = x + iden x = x.view(-1, x.size(1), x.size(1)) return x ``` 3. 定义PointNet的分类模型 ```python class PointNetCls(nn.Module): def __init__(self, k=2): super(PointNetCls, self).__init__() self.tnet1 = TNet(k=3) self.conv1 = nn.Conv1d(3, 64, 1) self.conv2 = nn.Conv1d(64, 64, 1) self.tnet2 = TNet(k=64) self.conv3 = nn.Conv1d(64, 128, 1) self.conv4 = 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): batch_size = x.size(0) x = self.tnet1(x) x = torch.bmm(x, x.transpose(2,1)) x = x.unsqueeze(1) x = F.relu(self.conv1(x)) x = F.relu(self.conv2(x)) x = torch.max(x, 2, keepdim=True)[0] x = x.repeat(1, 1, 1024) x = torch.cat([x, self.tnet2(x)], 1) x = F.relu(self.conv3(x)) x = self.conv4(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) ``` 4. 定义损失函数和优化器 ```python model = PointNetCls() criterion = nn.NLLLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 5. 进行训练 ```python for epoch in range(50): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print('Epoch %d loss: %.3f' %(epoch+1, running_loss/len(trainloader))) ``` 6. 进行测试 ```python correct = 0 total = 0 with torch.no_grad(): for data in testloader: inputs, labels = data outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy: %.2f %%' % (100 * correct / total)) ``` 这就是使用PyTorch复现PointNet的基本步骤。可以根据需要进行调整和改进，以获得更好的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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
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