本博文主要实现对PointNet++源码进行调试，模型训练+模型测试。

一、下载源码和数据集

论文：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
GitHub源码：Pointnet2_pytorch
数据集包括三种：分类、零部件分割和场景分割
分类数据集：modelnet40_normal_resampled
零部件分割数据集：shapenetcore_partanno_segmentation_benchmark_v0_normal
场景分割数据集：s3dis/Stanford3dDataset_v1.2_Aligned_Version
（科学上网）

PointNet++源码结构如下：

看起来还是比较清晰的，大概可能知道项目中主要包括三个功能：分类classification、零部件分割partseg、场景分割semseg

老规矩，先看README.md

作者安装的是CUDA10.1，PyTorch 1.6和Python 3.7
可以通过anaconda进行安装conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch

我是在Anaconda下创建一个新的虚拟环境空间部署项目测试
大概用到的就这些了，后面调试项目时候缺少安装啥就行了

torch                     2.0.0+cu117
torchvision               0.15.0+cu117
python                    3.8.19
numpy                     1.24.3
matplotlib                3.7.5
opencv-python             4.10.0.84

其实，认认真真看了PyTorch复现PointNet——模型训练+可视化测试显示这篇博文之后，再看README.md就简单的多了

二、分类任务Classification，数据集为ModelNet10/40

先看README.md

下载所用到的数据集放到data文件夹下，我这边场景分割数据集因为网不好总是失败~~这里就下载好了两个数据集，一个是分类用的，一个是零部件分割用的，场景分割数据集没下载成功…

将用到的分割数据集modelnet40_normal_resampled放到data文件夹下

2.1 训练模型——train_classification.py

1，由README.md可知运行分类任务的命令如下：

# ModelNet40
## Select different models in ./models ## 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

有四组可以供选择，这里我就选用第一组，不用法向量特征的pointnet2_ssg训练模型作为测试

## 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

2，需要给定的参数有：--model pointnet2_cls_ssg 和 --log_dir pointnet2_cls_ssg

修改参数：

parser.add_argument('--epoch', default=1, type=int, help='number of epoch in training')
parser.add_argument('--model', default='pointnet2_cls_ssg', help='model name [default: pointnet_cls]')
parser.add_argument('--log_dir', type=str, default="pointnet2_cls_ssg", help='experiment root')
parser.add_argument('--batch_size', type=int, default=8, help='batch size in training')

使用的模型为：models\pointnet2_cls_ssg，models文件夹里面还有很多模型
训练好的模型信息存放路径为：log\classification\pointnet2_cls_ssg


训练模型所使用的数据集存放位置

3，右击运行

开始训练

训练完成

模型存放在：log\classification\pointnet2_cls_ssg\checkpoints

2.2 测试模型——test_classification.py

1，由README.md可知运行分类任务的命令如下：

## 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

2，需要给定的参数有：--log_dir pointnet2_cls_ssg

修改参数：

parser.add_argument('--log_dir', type=str, default="pointnet2_cls_ssg", help='Experiment root')

测试集位置和使用的测试模型

3， 右击运行

测试完成

模型测试信息

三、零部件分割任务Part Segmentation，数据集为ShapeNet

先看README.md

下载所用到的数据集shapenetcore_partanno_segmentation_benchmark_v0_normal放到data文件夹下

3.1 训练模型——train_partseg.py

1，由README.md可知运行零部件分割任务的命令如下：

## 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

2，需要给定的参数有：--model pointnet2_part_seg_msg、--normal和--log_dir pointnet2_part_seg_msg

修改参数：

parser.add_argument('--model', type=str, default='pointnet2_part_seg_msg', help='model name')
parser.add_argument('--normal', action='store_true', default=False, help='use normals')
parser.add_argument('--log_dir', type=str, default="pointnet2_part_seg_msg", help='log path')

使用的模型为：models\pointnet2_part_seg_msg，models文件夹里面还有很多模型

训练好的模型信息存放路径为：./log/part_seg/pointnet2_part_seg_msg

3，右击运行，报错

AttributeError: module 'numpy' has no attribute 'float'.
`np.float` was a deprecated alias for the builtin `float`. To avoid this error in existing code, use `float` by itself. Doing this will not modify any behavior and is safe. If you specifically wanted the numpy scalar type, use `np.float64` here.
The aliases was originally deprecated in NumPy 1.20; for more details and guidance see the original release note at:

翻译：

解决：np.array(total_correct_class) / np.array(total_seen_class, dtype=np.float64))

4，右击继续运行，报错

提示显卡内存不足

解决：将batch_size设置小点，例如设置为4，具体情况根据自己的电脑配置来

parser.add_argument('--batch_size', type=int, default=4, help='batch Size during training')

为了快速训练演示，把epoch设置为1

5，右击继续运行

开始模型训练

训练完成

训练好的模型保存在log\part_seg\pointnet2_part_seg_msg\checkpoints/best_model.pth

模型训练好了，接下来开始测试

3.2 测试模型——test_partseg.py

1，由README.md可知运行零部件分割任务的命令如下：

## 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

2，需要给定的参数有：--normal、--normal和--log_dir pointnet2_part_seg_msg

修改参数：

parser.add_argument('--log_dir', type=str, default="pointnet2_part_seg_msg", help='experiment root')
parser.add_argument('--normal', action='store_true', default=False, help='use normals')
parser.add_argument('--batch_size', type=int, default=4, help='batch size in testing')

3，右击运行，报错

又是遇到的这个问题

解决：
改成np.float64即可

np.array(total_correct_class) / np.array(total_seen_class, dtype=np.float64))

4，右击继续运行

输出测试每个类型的mIoU得分

结果会存放到log\part_seg\pointnet2_part_seg_msg\eval.txt日志文件中

四、场景分割任务Semantic Segmentation，数据集为S3DIS

先看README.md

首先把下载好的数据集解压放到data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/
在data文件夹下创建一个s3dis文件夹，数据集解压到/data/s3dis下即可

哈哈哈哈哈，数据集我没下载成功

主要是场景分割任务对我而言也用不到
我就按着README.md大致说下流程

4.1 转换数据集

查看下data_utils/collect_indoor3d_data.py，可以得知数据集的存放路径，看来好像跟README.md给的不太一样，按照代码里面的来哈，可能是作者不小心整错路径了

数据集存放路径：data\stanford_indoor3d

4.2 训练模型——train_semseg.py

1，由README.md可知运行场景分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_ssg
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

2，需要给定的参数有：--model pointnet2_sem_seg 、--test_area 5和--log_dir pointnet2_sem_seg

修改参数：
要我的话我会修改这些参数

parser.add_argument('--model', type=str, default='pointnet_sem_seg', help='model name [default: pointnet_sem_seg]')
parser.add_argument('--test_area', type=int, default=5, help='Which area to use for test, option: 1-6 [default: 5]')
parser.add_argument('--log_dir', type=str, default="data/stanford_indoor3d", help='Log path [default: None]')
parser.add_argument('--epoch', default=4, type=int, help='Epoch to run [default: 32]')

3，能不能正常运行我也不清楚，我没下载成功数据集~~，抱歉各位老爷们

4.3 测试模型——test_semseg.py

1，由README.md可知运行场景分割任务的命令如下：

## Check model in ./models 
## e.g., pointnet2_ssg
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

2，需要给定的参数有：--log_dir pointnet2_sem_seg 、--test_area 5和--visual

修改参数：

parser.add_argument('--batch_size', type=int, default=4, help='batch size in testing [default: 32]')
parser.add_argument('--log_dir', type=str, default="pointnet2_sem_seg", help='experiment root')
parser.add_argument('--test_area', type=int, default=5, help='area for testing, option: 1-6 [default: 5]')
parser.add_argument('--visual', action='store_true', default=False, help='visualize result [default: False]')

3，能不能正常运行我也不清楚，我没下载成功数据集~~，抱歉各位老爷们

五、总结

其实由先前的PyTorch复现PointNet——模型训练+可视化测试显示，家人们应该都知道如何调试了，大差不差，但是得需要多动手，光说不练假把式，天道酬勤！
加油！！！