Código fuente de PointNet++ ejecutándose

Primero, descargue el código fuente de github

https://github.com/yanx27/Pointnet_Pointnet2_pytorch

También se puede descargar desde Baidu Netdisk

Enlace: https://pan.baidu.com/s/1sgTYuqnBVC9p3bib450SOQ

Código de extracción: gujd

Luego descargue los datos de prueba correspondientes

Los datos de clasificación modelnet40_normal_resampled se descargan y se colocan en el directorio data/modelnet40_normal_resampled/

Enlace: https://pan.baidu.com/s/1OSjVP_1cRr2zowsdyLoK1A

Código de extracción: 9r7l

Descargue los datos de segmentación de piezas shapenetcore_partanno_segmentation_benchmark_v0_normal y colóquelos en el directorio data/shapenetcore_partanno_segmentation_benchmark_v0_normal/

Enlace: https://pan.baidu.com/s/1VebwBPk6fEuAhff__T4Oag

Código de extracción: h44m

Descargue los datos de segmentación semántica Stanford3dDataset_v1.2_Aligned_Version (los datos son demasiado grandes, puede enviarme un mensaje privado si lo necesita) y colóquelos en el directorio data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/

Modificar el código fuente

Use Pycharm para abrir el directorio del proyecto correspondiente, ejecute train_classification.py, si funciona mal, debe modificar el código fuente correspondiente

Luego puedes probarlo de acuerdo con las instrucciones en github

# 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

error CUDA

Cualquier error de CUDA se puede resolver reduciendo el tamaño del lote

Configuración de parámetros de Pycharm

Si ejecuta el archivo py directamente en Pycharm y establece los parámetros, debe hacerlo en el IDE, como se muestra en la figura a continuación.

Después de ingresar a Editar Configuraciones, complete los parámetros, cada parámetro está separado por un espacio