ShapeNet 由几个子集组成：

ShapeNetCore

ShapeNetCore 是完整 ShapeNet 数据集的子集，具有单个干净的 3D 模型和手动验证的类别和对齐注释。它涵盖了 55 个常见的对象类别和大约 51,300 个独特的 3D 模型。流行的计算机视觉 3D 基准数据集 PASCAL 3D+ 的 12 个对象类别都被 ShapeNetCore 覆盖。

ShapeNetSem

ShapeNetSem 是一个更小、注释更密集的子集，由 12,000 个模型组成，分布在更广泛的 270 个类别中。除了手动验证的类别标签和一致的对齐方式之外，这些模型还标注了真实世界的尺寸、类别级别的材料成分估计以及总体积和重量的估计。

博文：https://blog.csdn.net/SGL_LGS/article/details/105897585 ，统计了改数据集里面部分数据的特性。

1 配置环境

1.1 配置Python环境与安装pytorch

我这里用的是yolov5环境：深度学习(三):yolov5环境配置及使用_biter0088的博客-CSDN博客

官网github在pytorch-1.0上测试过，我这里用的是1.7.0

1.2 安装pointnet及其他包与下载数据

git clone https://github.com/fxia22/pointnet.pytorch
cd pointnet.pytorch
pip install -e .

这里会安装一些python包

下面安装可视化工具

cd script
bash build.sh #build C++ code for visualization

下面是下载数据集：shapenetcore_partanno_segmentation_benchmark_v0

bash download.sh #download dataset

2 默认训练

2.1 分类训练train_classification

2.1.1 直接训练

用1.2下载的数据

cd utils
python train_classification.py --dataset /home/meng/deeplearning/pointnet.pytorch/shapenetcore_partanno_segmentation_benchmark_v0/ --nepoch=5 --dataset_type shapenet

执行时终端打印如下：

会报错一个warning: Detected call of `lr_scheduler.step()` before `optimizer.step()`

/home/meng/anaconda3/envs/yolov5py37/lib/python3.7/site-packages/torch/optim/lr_scheduler.py:136: UserWarning: Detected call of `lr_scheduler.step()` before `optimizer.step()`. In PyTorch 1.1.0 and later, you should call them in the opposite order: `optimizer.step()` before `lr_scheduler.step()`.  Failure to do this will result in PyTorch skipping the first value of the learning rate schedule. See more details at https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate
  "https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate", UserWarning)

准确率为：0.9589

2.1.2 Detected call of `lr_scheduler.step()` before `optimizer.step()`

针对2.1出现的报警，修改train_classification.py文件，将scheduler.step()放在内部for循环的后面。（将上面的scheduler.step()注释掉，在一个epoch结束加上scheduler.step()）

再次训练，报警消失

最终准确率变为0.930758，降低了？

再训一次：0.94224

再训一次：

把上面对train_classification.py的修改改回去（有warning就有吧。。。）

再训一次：最终准确率为0.937，和前面一次差不多（要是这样的话，改不改作者代码都没关系）

2.1.3 训练得到的文件在：

2.2 分割训练train_segmentation.py

python train_segmentation.py --dataset /home/meng/deeplearning/pointnet.pytorch/shapenetcore_partanno_segmentation_benchmark_v0/ --nepoch=5

mIOU for class chair:0.828257

训练结果：

3 检测

3.1 show_seg.py展示分割效果

命令语句参考：Issues · fxia22/pointnet.pytorch · GitHub

结合show_seg.py文件：

python show_seg.py --model /home/meng/deeplearning/pointnet.pytorch/utils/seg/seg_model_Chair_4.pth --dataset /home/meng/deeplearning/pointnet.pytorch/shapenetcore_partanno_segmentation_benchmark_v0/ --class_choice 'Chair' --idx 1

终端打印：

3.1.1 修改idx

修改idx，出来的模型略有不同，这是因为该class_choice在数据集内的模型有多个

python show_seg.py --model /home/meng/deeplearning/pointnet.pytorch/utils/seg/seg_model_Chair_4.pth --dataset /home/meng/deeplearning/pointnet.pytorch/shapenetcore_partanno_segmentation_benchmark_v0/ --class_choice 'Chair' --idx 1

idx=1

idx=13

下面这图为idx=3时的，

idx=700

3.1.2 修改 –class_choice

修改为Airplane，运行下面的命令：

python show_seg.py --model /home/meng/deeplearning/pointnet.pytorch/utils/seg/seg_model_Chair_4.pth --dataset /home/meng/deeplearning/pointnet.pytorch/shapenetcore_partanno_segmentation_benchmark_v0/ --class_choice 'Ailplane' --idx 1

修改为Motorbike

3.2 show_clc.py展示分类效果

修改show_cls.py文件中关于数据集目录的部分，如下：

test_dataset = ShapeNetDataset(
    root='../shapenetcore_partanno_segmentation_benchmark_v0',
    # root='shapenetcore_partanno_segmentation_benchmark_v0',
    split='test',
    classification=True,
    npoints=opt.num_points,
    data_augmentation=False)

参考：

运行程序，模型地址见2.1.3

python show_cls.py --model /home/meng/deeplearning/pointnet.pytorch/utils/cls/cls_model_4.pth --num_points 2500

只在终端打印准确率accuracy信息，没有图像

物联沃分享整理
物联沃-IOTWORD物联网 » 深度学习（六）：pointnet.pytorch环境配置与学习

代码收藏家普通

分享到：

0 前言

0.1 shapenet数据集