-----------物體形狀分類任務(Shape Classfication)-------

一、數據準備

modelnet40_normal_resampled.zip 解壓后下邊有：

（1）有40個子文件是不同的物體類別，每一個類別里邊是超級多的txt文件，一個txt文件代表的是每一個物體類別的一個點云數據。

如下打開的是飛機的其中一個txt文件：

其中每一行代表的是這一個點的位置和法向量信息（每一行中的前三個分別對應xyz的坐標值，當然都是經過歸一化-1和1之間的值）然后是法向量的信息，也是三個值因為法向量是在這個點垂直與切平面的向量的信息，也是有3個值，所以每一行一共是6個值。

（2）有一個modelnet40_shape_names.txt，這個里邊存放的是40個類別的目錄的列表的一個文件。

（3）有一個filelist.txt，這個里邊一共有12311行，表明所有物體的點云文件一共有12311個。

（4）有一個modelnet40_train.txt這里是用作訓練的點云文件的列表，一共有9843個，也就是12311個數據集中有9843用作訓練集。

（5）有一個modelnet40_test.txt這里是測試集文件的列表，一共有2468個。

二、PointNet++物體形狀分類訓練：

如果出現顯存溢出的報錯，就要指定一下batch_size，默認batch_size是24，所以給他改小一點，改成16。

訓練完會自動生成log文件夾，里面保存了日志文件和網絡參數。

訓練結束后在log文件夾下存在一個classfication，classfication下邊有一個pointnet2_cls_msg，這個pointnet2_cls_msg文件下有checkpoints，如果這個checkpoints下邊有一個best_model.pth這是我們訓練好的網絡模型的權重文件。pointnet2_cls_msg這個文件夾下邊有一個logs目錄，下面的pointnet2_cla_msg.txt就是我們訓練過程的日志，包含一些從什么時候開始訓練以及他中間的一些信息，從里邊可以看到這個Accuracy是在不斷的改善，最終訓練好的Best Instance Accuracy可以到0.926613（其中Instance Accuracy是所有物體分類正確以后的統計結果）、Class Accuracy可以到0.915796（Class Accuracy是對每一分類正確的統計，每一個類別我們就是對于40個類別他的Accuracy以后的再進行平均以后的結果）。

三、測試

接下來對訓練好的模型進行一下測試。

在log--->classfication--->pointnet2_cls_msg--->eval.txt這個里邊就是測試的結果，

---------物體部件分割的任務（Part Segmentation）--------

一、數據準備

shapenetcore_partanno_segmentation_benchmark_v0_normal.zip解壓后下邊有：(有16個子文件夾，他代表了不同的物體)

（1）有synsetoffset2category.txt，里邊羅列了16種物體，以及后邊是分別對應的他們文件夾的名字。

（2）到每一個文件夾下查看有很多個txt文件，比如02691156文件夾下打開一個txt文件如下圖：

每一個txt文件里邊有很多行數據（2816行，就表示有2816個點的數據），每一行中其中前三個表示xyz的值，接著的中間三個表示法向量的值，最后一個他是飛機部件的編號（0、1、2、3一共有4個部件，也就是說飛機一共被分成了4個部分，）（一共有16個物體，每個物體有若干個部件的分類，一共有50個部件的分類）

二、PointNet++物體部件分割訓練

訓練結果在log目錄下，part_seg下邊pointnet2_part_seg_msg下邊checkpoints下邊我們訓練出的best-model.pth就是我們訓練出的網絡模型。同時在pointnet2_part_seg_msg下邊的logs下邊pointnet2_part_seg_msg.txt就是訓練過程的記錄 .

三、測試

---------場景語義分割（Semantic?Segmentation）任務--------

一、數據準備

下載完數據集后在解壓的時候自己一定要新建立一個s3dis文件夾，否則他在處理的時候會出問題。這個s3dis文件夾下邊就會放入我們新解壓以后的Stanford3Dataset_v1.2_Aligned_Version這個數據集，這個數據集下邊有6個Area，每一個Area下邊有不同的場景，比如?conferenceRoom_1下邊有一個conferenceRoom_1.txt下邊有很多點的數據（前3個是xyz的值即坐標信息，后邊3個是RGB的值即顏色信息）這個就是conferenceRoom的一個場景，場景中有辦公桌、門、地板等物體，我們要做的事情就是對這個場景中的物體進行分類，我們需要對每一個點它屬于哪一個物體進行相應的分類，其實這是一個分割的問題。

解壓完數據之后，在訓練之前還需要一個步驟，就是進一步的處理。到data_utils目錄下執行python collect_indoor3d_data.py 這樣處理完的數據他會在data/stanford_indoor3d目錄下。

產生這樣的npy數據之后我們才能夠進行網絡模型的訓練。

二、訓練

這樣的任務對于內存和顯存的要求都比較高，pointnet++的作者是有4個顯卡進行訓練的，所以對于我們大家機器的內存和顯存要求都比較高，內存最好在64g，顯卡最好有4張顯卡，這樣每張顯卡在11~12g可以達到40多g的這樣的顯存，但是我們平時都沒有這么高的配置哈哈，下邊是訓練的命令和測試的命令，有條件的話可以嘗試。

由于性能配置要求較高，直接shot了進程，沒有訓練完成。

?

?

總結

以上是生活随笔為你收集整理的PointNet++：（1）网络完成的任务分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。