pointnet实现

最近在学三维点云处理网络，想自己把pointnet跑一下，但我的笔记本是CPU的，据说跑起来很慢而且电脑很烫，所以就想利用云端服务器提供的GPU来跑一下。在此记录一下实现过程。

为了方便上传自己的数据集，我选择了在极客云租用GPU，按小时计费，有很多GPU选择，总算是能够成功实现pointnet了，目前我只运行了分类模型（classcification），下面我来介绍一下步骤。

1. 下载源码

首先，在pointnet的官网有github的链接，注册github后可以直接下载源代码。记得要注册github，我刚开始直接下载，下载了半天都没成。。。

从github下载的文件包如图，打开README.md文件可以看到pointnet的官方介绍和使用指南。

注意，图中的.py文件是分类模型的源码，如果要运行part segmentation模型或semantic
segmentation模型，则对应part_seg或sem_seg文件夹的代码。

2. 对源代码作一些改动准备

不知道为什么，在源码的README.md文件中，写明每个点云是在实体表面上均匀采集的2048个点，但是train.py的文件中默认的num_point是1024，所以我将pointnet-master下train.py文件中的num_point默认值改成2048

一些博客上说需要改动train.py中数据集的路径信息，我亲自测试过，只要按照步骤3下载数据集，不用更改路径信息。

#源码中的默认点数为1024
#parser.add_argument('--num_point', type=int, default=1024, help='Point Number [256/512/1024/2048] [default: 1024]
#改成2048
parser.add_argument('--num_point', type=int, default=2048, help='Point Number [256/512/1024/2048] [default: 2048]')

3. 下载数据集

在provider.py文件中有自动下载数据集的代码，建议自己先下载好数据集到本地。（如果使用国外的服务器，可以直接在服务器上下载。）
由于官方下载数据集太慢了，这里给出classification的数据集的网盘链接。
modelnet40_ply_hdf5_2048.zip
提取码:gu5q

在对应train.py所在的目录中新建文件夹data，把数据集下载到里面。先不要解压。然后将provider.py中红框圈起来部分注释掉。（注意：使用不同的模型，需要在不同的文件夹下载不同的数据集，需要修改对应不同的provider.py文件）

由于数据集下载很慢，我只下载了分类网络的数据集。我是根据另一个博主的推荐用Free Download Manager下载的，但还是下载了很久，建议夜间下载。听说迅雷下载也会快一点，可以试试。

做完上述工作后，把文件夹压缩保存为文件。

4. 上服务器

注册极客云。极客云提供GPU云服务，极客云上可以根据不同版本的tensorflow和python创建环境。
极客云注册传送门(刚注册可以申请5元新人体验券哦)
（这是我的邀请码：fknS1fQ2L5TPZkIq1mTi7g==，填写邀请码后，被邀请者充值满10元后，我们都能获得10元优惠劵 ^ _ ^* ）

！！！先上传数据再创建实例！！！

将步骤3准备好的压缩包上传。然后将data文件夹下的数据集解压。

下图是选择界面

根据README.md文件描述，选择python2.7+tensorflow1.0.1
GPU类型自己选，有很多不同型号和价格

我选择的是 GTX 1070 G3930 2核16G 1.5TB硬盘网速D100/U30 (独占2.8元每小时)

接下来的部分我借鉴了下面这篇博文

pointnet代码运行------by极客云服务器

5. 输出的结果都是什么？

（1）关于数据集

先了解一下数据集构成，点云文件由h5格式存储。
训练集含有5个h5文件，train_files中是这5个h5文件的路径。

测试集含有2个h5文件，test_files中是这2个h5文件的路径。

（2）关于输出的理解

查看train.py代码得知，
每一轮（EPOCH）分别进行training和testing两个任务。

       for epoch in range(MAX_EPOCH):log_string('**** EPOCH %03d ****' % (epoch))sys.stdout.flush()train_one_epoch(sess, ops, train_writer)eval_one_epoch(sess, ops, test_writer)# Save the variables to disk.if epoch % 10 == 0:save_path = saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"))log_string("Model saved in file: %s" % save_path)

在training阶段，训练集每个h5文件的数据分批次输入网络训练，对每个文件输出一次【平均分类误差和分类准确率】。然后重置loss和acc，5个文件的这两个参数并不累加。

在testing阶段，测试集每个h5文件的数据分批次输入网络训练，2个h5文件输入网络后，输出【总的平均分类误差、分类准确率和40个类别召回率的平均值】，2个文件的这些参数值累加。

#这是Terminal的输出，保存在log_train.txt文件中
**** EPOCH 000 ****
----0-----
mean loss: 3.741447
accuracy: 0.220703
----1-----
mean loss: 2.662842
accuracy: 0.332031
----2-----
mean loss: 2.233688
accuracy: 0.416667
----3-----
mean loss: 2.018896
accuracy: 0.463379
----4-----
mean loss: 1.819018
accuracy: 0.503906
----0-----
----1-----
eval mean loss: 1.642117
eval accuracy: 0.549919
eval avg class acc: 0.470893
Model saved in file: log/model.ckpt

每10个EPOCH保存一次模型，保存在pointnet-master文件夹下log/model.ckpt中

        # Save the variables to disk.if epoch % 10 == 0:save_path = saver.save(sess, os.path.join(LOG_DIR, "model.ckpt"))log_string("Model saved in file: %s" % save_path)

默认最大训练轮数为250，我最终训练到第137个EPOCH，一共花了超过4个半小时。训练集准确率为95.5%左右，测试集准确率只有约88.3%，召回率约为85.5%

**** EPOCH 137 ****
----0-----
mean loss: 0.113151
accuracy: 0.958984
----1-----
mean loss: 0.125070
accuracy: 0.955078
----2-----
mean loss: 0.138621
accuracy: 0.948242
----3-----
mean loss: 0.127347
accuracy: 0.958333
----4-----
mean loss: 0.127848
accuracy: 0.955078
----0-----
----1-----
eval mean loss: 0.496802
eval accuracy: 0.882711
eval avg class acc: 0.855228

6. tensorboard数据可视化

使用tensorboard可以查看训练过程的超参数变化
我是将log文件夹下面这个文件下载到本地，用自己的tensorflow查看。

打开Anaconda Prompt，激活tensorflow，输入代码：

activate tensorflow
tensorboard -logdir="上面那个文件的绝对路径"

复制最后的网址到浏览器打开即可。

下面是曲线被90%平滑后，我的accuracy变化（背景是未平滑，smothing=0）

classificaton_loss:

Trainig loss：

pointnet实现相关推荐

PointNet++：（1）网络完成的任务分析
-----------物体形状分类任务(Shape Classfication)------- 一.数据准备 modelnet40_normal_resampled.zip 解压后下边有: (1)有4 ...
PointNet++论文个人理解
点击上方"视学算法",选择"星标" 干货第一时间送达作者丨zmYD@知乎来源丨https://zhuanlan.zhihu.com/p/157489233 ...
细嚼慢咽读论文：PointNet论文及代码详细解析
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨刘昕宸@知乎来源丨https://zhuanlan.zhihu.com/p/264627148 ...
一文搞懂PointNet全家桶——强势的点云处理神经网络
作者:黎国溥,3D视觉开发者社区签约作者,CSDN博客专家,华为云-云享专家首发:公众号[3D视觉开发者社区] 前言 PointNet是由斯坦福大学的Charles R. Qi等人在<Poin ...
pointnet 结果可视化_PointNet论文复现及代码详解
写在前面本文主要对PointNet(之前有解读论文)的代码进行了分析和解读,有助于进一步理解其思想.可以发现,PointNet的结构并不复杂,比起CNN还要简单一些.理解PointNet关键在于理解 ...
点云配准 PointNet + Concat + FC
原文: https://yongqi.blog.csdn.net/article/details/109759708 这个推荐有几个: https://zhuanlan.zhihu.com/p/107 ...
点云配准网络 PCRNet: Point Cloud Registration Network using PointNet Encoding 2019
本文使用PointNet对点云提取全局特征,不需要计算点云之间的一一对应关系,因此能够实现快速的点云配准. PCRNet根本没有用到局部特征,因此在速度上有优势,精度上会有所妥协.加入了局部特征信息的 ...
pointnet分割自己的点云数据_点云学习历史文章大汇总
LaserNet:一种高效的自动驾驶概率三维目标探测器从相机标定到SLAM,极简三维视觉六小时课程视频(附PPT) 计算机图形学遇上深度学习,为3D图像任务打造的深度学习利器TensorFlow G ...
【pointnet++点云识别】基于pointnet++的点云地理数据识别的MATLAB仿真
1.软件版本 matlab2021a 2.本算法理论知识根据http://stanford.edu/~rqi/pointnet2/中关于pointnet++的介绍可知,该算法的基本构架如下所示: 根 ...
基于matlab的pointnet++深度学习网络点云数据分类
这里,采用的pointnet++网络结构如下图所示: 在整体网络结构中, 首先进行set abstraction,这一部分主要即对点云中的点进行局部划分,提取整体特征,如图可见,在set abstra ...

pointnet实现

1. 下载源码

2. 对源代码作一些改动准备

3. 下载数据集

4. 上服务器

5. 输出的结果都是什么？

（1）关于数据集

（2）关于输出的理解

6. tensorboard数据可视化

pointnet实现相关推荐

最新文章

热门文章

pointnet实现

1. 下载源码

2. 对源代码作一些改动准备

3. 下载数据集

4. 上服务器

5. 输出的结果都是什么？

（1） 关于数据集

（2）关于输出的理解

6. tensorboard数据可视化

pointnet实现相关推荐

最新文章

热门文章

（1）关于数据集