Pointnet++环境配置+复现

1 . 安装 Anaconda  

        Anaconda是专门为了方便使用 Python 进行数据科学研究而建立的一组软件包，涵盖了数据科学领域常见的 Python 库，并且自带了专门用来解决软件环境依赖问题的 conda 包管理系统。主要是提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理。

（1）win安装：先去官方地址下载对应的安装包下载地址，然点击exe一步一步安装即可，安装时候需要注意的是加入系统环境变量。

export PATH=/home/bai/anaconda3/bin:$PATH

（2）Linux安装：

Anaconda | Anaconda Distributionhttps://www.anaconda.com/products/distribution#linux运行命令：

bash ~/Downloads/Anaconda3-2020.07-Linux-x86_64.sh

        Anaconda 会自动将环境变量添加到 PATH 里面，如果后面你发现执行 conda 提示没有该命令，那么 你需要执行命令 source ~/.bashrc 更新环境变量，就可以正常使用了。 如果发现这样还是没

用，那么需要添加环境变量。 编辑 ~/.bashrc 文件，在最后面加上

export PATH=/home/bai/anaconda3/bin:$PATH

2.Cuda安装

选择自己所需版本cuda下载，Cuda与Cudnn版本相对应

cuDNN Archive | NVIDIA Developerhttps://developer.nvidia.com/rdp/cudnn-archive可以通过上面这个链接查看对应关系
cuda10.0官网地址https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
cudnn官网地址https://developer.nvidia.com/cudnn       下载后点击exe，安装时候选择自定义然后一直下一步即可，安装完后在C盘这个位置可以找到根目录。C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0，然后大家把Cudnn的内容进行解压，把这里面的内容直接复制到C盘的根目录下就可以了。

3.Pytorch环境

        本人尝试过好几个版本的pytorch发现基本都是可以的，一般安装cuda10.0或者10.1对应的都是可以的。

 

Win+R启动cmd，在命令提示符内输入以下命令：

conda create –n pytorch python=3.6      
#创建一个名为pytorch的环境，该环境的python版本为3.6。

activate pytorch
激活环境

安装pytoch（Pytorch版本需要与cuda、python的版本相对应），官方地址是：

Previous PyTorch Versions | PyTorch An open source machine learning framework that accelerates the path from research prototyping to production deployment.https://pytorch.org/get-started/previous-versions/我比较喜欢清华源，速度快

 -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

# CUDA 10.0 用于安装torch和torchvision
pip install torch===1.2.0 torchvision===0.4.0 -f https://download.pytorch.org/whl/torch_stable.html

安装其它库时可以打开  Anaconda Prompt或者cmd激活环境pip install +环境名称即可，如果有txt时可以用下面命令（requirements.txt前方的路径是根据自己的电脑修改）同样是可以换源的，直接在txt中修改即可：

pip install -r requirements.txt

4.克隆项目或者取github下载

git clone https://github.com/yanx27/Pointnet_Pointnet2_pytorch.git

5.分类

下载 modelnet40 分类数据集文件 modelnet40_normal_resampled.zip 并放置到 data 目录下

解压后产生文件夹： data/modelnet40_normal_resampled

#训练
python train_cls.py --model pointnet2_cls_msg --normal --log_dir 
pointnet2_cls_msg
#pointnet2_cls_msg为模型，可自己选择

如果内存较小卡死，可以修改batchzize减小即可。

#测试
python test_cls.py --normal --log_dir pointnet2_cls_msg

可以在log文件夹下查看训练权重与日志。

6.部件分割

下载 shapenetcore_partanno_segmentation_benchmark_v0_normal.zip ，并解压到：

data/shapenetcore_partanno_segmentation_benchmark_v0_normal

#训练
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir 
pointnet2_part_seg_msg
#测试
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

7.场景分割

下载 3D indoor parsing dataset ( S3DIS ) 数据集 Stanford3dDataset_v1.2_Aligned_Version.zip 并解压 到 data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ ，首先需要进行的是预处理工作：

cd data_utils
python collect_indoor3d_data.py

处理后的数据被保存在 data/stanford_indoor3d/

#训练
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir 
pointnet2_sem_seg
#测试
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

可视化结果保存在 log/sem_seg/pointnet2_sem_seg/visual/ ， 这些 .obj 文件可以用 MashLab 软件

可视化。