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
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
对训练好的网络进行测试
python test_cls.py --normal --log_dir pointnet2_cls_msg
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
测试命令：
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg
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
处理后的数据保存到
data/stanford_indoor3d/
执行训练命令：
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir
pointnet2_sem_seg
可视化结果保存在
log/sem_seg/pointnet2_sem_seg/visual/
执行测试命令：
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual