PointNet/Pointnet++训练及测试

1、安装Anaconda
source ~/.bashrc更新环境变量
然后可以输入conda list 测试是否成功

2、创建PyTorch环境
conda create -n myPytorch python=3.7
conda activate mypytorch

conda install pytorch1.1.0 torchvision0.3.0 -c pytorch

3、安装cloudcompare软件
snap install cloudcompare

安装meshlab软件
meshlab2020.07-linux.AppImage

4、复制pointnet项目
git clone github网址

5、完成形状分类任务
下载数据集：modelnet40_normal_resampled
解压后放在data文件夹下

python train_cls.py --model pointnet2_cls_msg --normal --log_dir pointnet2_cls_msg
1

使用法向量信息

若显存溢出，设置batch_size

python train_cls.py --model pointnet2_cls_msg --normal --log_dir pointnet2_cls_msg batch_size 8
1

对训练好的网络进行测试

python test_cls.py --normal --log_dir pointnet2_cls_msg
1

6、物体部件分割
使用数据集：shapenetcore_partanno_segmentation_benchmark_v0_normal
将数据集解压到data文件夹
训练命令：

python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
1

测试命令：

python test_partseg.py --normal --log_dir pointnet2_part_seg_msg
1

7、场景语义分割

数据集：Stanford3dDataset_v1.2_Aligned_Version
解压到：
data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/

训练：

cd data_utils
python collect_indoor3d_data.py
1
2

处理后的数据保存到

data/stanford_indoor3d/
1

执行训练命令：

python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir
pointnet2_sem_seg
1
2

可视化结果保存在

log/sem_seg/pointnet2_sem_seg/visual/
1

执行测试命令：

python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual
1