PointMAE的代码配环境+运行

PointMAE的笔记
PointMAE的代码地址

1. 环境配置

我的cuda是115安装Pointnet2_PyTorch总是失败
所以我在隔离环境中创建了cuda113的环境
参考pip 隔离环境内安装 cuda 113 不覆盖原有的全局 cuda 115

1.1 安装torch

pipinstalltorch==1.12.1+cu113torchvision==0.13.1+cu113torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

1.2 安装pyyaml

pipinstallpyyaml

1.3 安装easydict

pipinstalleasydict

1.4 安装h5py

pipinstallh5py

1.5 安装tqdm （后面有报错的解决方案更换tqdm版本）

pipinstalltqdm==4.64.1 pipinstalltimm==0.6.13

1.6 安装matplotlib

pipinstallmatplotlib==3.5.3

1.7 安装 Pointnet2_PyTorch （对cuda版本有要求）

参考博客M3DM-pointnet2_ops踩坑指北

gitclone https://github.com/erikwijmans/Pointnet2_PyTorch.gitcdPointnet2_PyTorch/pointnet2_ops_lib pipinstall.

1.8 安装termcolor

pipinstalltermcolor==2.4.0

1.9 安装torch-scatter torch-sparse

pipinstalltorch-scatter torch-sparse -f https://data.pyg.org/whl/torch-1.12.1+cu113.html

1.10 安装 KNN_CUDA （必须有ninja）

pipinstall--upgrade https://github.com/unlimblue/KNN_CUDA/releases/download/0.2/KNN_CUDA-0.2-py3-none-any.whl pipinstallninja

1.11 安装 chamfer_dist

gitclone https://github.com/Julie-tang00/Point-BERTcdPoint-BERT/extensions/chamfer_dist python setup.pyinstall

1.12 安装opencv

pipinstallopencv-python==4.5.5.62

1.13 环境 pip list

2. 预训练

数据集用的ShapeNet55 [BaiduCloud] (code:le04)

2.1 指令（CUDA_VISIBLE_DEVICES要用的GPU设备号 exp_name存放地址）

CUDA_VISIBLE_DEVICES=0python main.py --config cfgs/pretrain.yaml --exp_name pointmae_pretrain

2.2 划分数据集

2.2.1 新建.py文件划分数据集为训练和测试

importosimportrandomimportargparsedefsplit_dataset(pc_dir,save_dir,train_ratio=0.8,random_seed=123456):""" 划分ShapeNet55-34数据集，生成train.txt和test.txt 参数说明： - pc_dir: shapenet_pc目录的绝对路径（存放所有.npy点云文件） - save_dir: ShapeNet-55目录的绝对路径（保存train.txt/test.txt） - train_ratio: 训练集比例（默认0.8） - random_seed: 随机种子（保证划分结果固定） """# 1. 检查目录是否存在ifnotos.path.exists(pc_dir):raiseValueError(f"点云目录不存在：{pc_dir}")os.makedirs(save_dir,exist_ok=True)# 确保保存目录存在# 2. 获取所有.npy点云文件pc_files=[fforfinos.listdir(pc_dir)iff.endswith('.npy')]ifnotpc_files:raiseValueError(f"{pc_dir}目录下没有找到.npy点云文件")print(f"共找到{len(pc_files)}个点云文件")# 3. 固定随机种子，保证划分结果可复现random.seed(random_seed)random.shuffle(pc_files)# 4. 划分训练集/测试集split_idx=int(len(pc_files)*train_ratio)train_files=pc_files[:split_idx]test_files=pc_files[split_idx:]print(f"训练集：{len(train_files)}个文件 | 测试集：{len(test_files)}个文件")# 5. 写入txt文件（每行是shapenet_pc下的文件名，匹配配置文件路径逻辑）train_txt_path=os.path.join(save_dir,'train.txt')test_txt_path=os.path.join(save_dir,'test.txt')withopen(train_txt_path,'w',encoding='utf-8')asf:f.write('\n'.join(train_files))withopen(test_txt_path,'w',encoding='utf-8')asf:f.write('\n'.join(test_files))print(f"划分完成！文件保存路径：")print(f"- 训练集：{train_txt_path}")print(f"- 测试集：{test_txt_path}")if__name__=='__main__':# 解析命令行参数（方便自定义路径）parser=argparse.ArgumentParser(description='划分ShapeNet55-34数据集为训练集/测试集')parser.add_argument('--pc_dir',type=str,required=True,help='shapenet_pc目录的绝对路径（例如：/home/cscai/data/ShapeNet55-34/shapenet_pc）')parser.add_argument('--save_dir',type=str,required=True,help='ShapeNet-55目录的绝对路径（例如：/home/cscai/data/ShapeNet55-34/ShapeNet-55）')parser.add_argument('--train_ratio',type=float,default=0.8,help='训练集比例（默认0.8）')args=parser.parse_args()# 执行划分split_dataset(pc_dir=args.pc_dir,save_dir=args.save_dir,train_ratio=args.train_ratio)

2.2 指令（必须先变成如图所示的结构）

python split_dataset.py\--pc_dir /home/cscai//Point-MAE/Point-MAE-main/data/ShapeNet55-34/shapenet_pc\--save_dir /home/cscai//Point-MAE/Point-MAE-main/data/ShapeNet55-34/ShapeNet-55\--train_ratio0.8