PointNet++：（1）网络完成的任务分析

-----------物体形状分类任务(Shape Classfication)-------

一、数据准备

modelnet40_normal_resampled.zip 解压后下边有：

（1）有40个子文件是不同的物体类别，每一个类别里边是超级多的txt文件，一个txt文件代表的是每一个物体类别的一个点云数据。

如下打开的是飞机的其中一个txt文件：

其中每一行代表的是这一个点的位置和法向量信息（每一行中的前三个分别对应xyz的坐标值，当然都是经过归一化-1和1之间的值）然后是法向量的信息，也是三个值因为法向量是在这个点垂直与切平面的向量的信息，也是有3个值，所以每一行一共是6个值。

（2）有一个modelnet40_shape_names.txt，这个里边存放的是40个类别的目录的列表的一个文件。

（3）有一个filelist.txt，这个里边一共有12311行，表明所有物体的点云文件一共有12311个。

（4）有一个modelnet40_train.txt这里是用作训练的点云文件的列表，一共有9843个，也就是12311个数据集中有9843用作训练集。

（5）有一个modelnet40_test.txt这里是测试集文件的列表，一共有2468个。

二、PointNet++物体形状分类训练：

如果出现显存溢出的报错，就要指定一下batch_size，默认batch_size是24，所以给他改小一点，改成16。

训练完会自动生成log文件夹，里面保存了日志文件和网络参数。

训练结束后在log文件夹下存在一个classfication，classfication下边有一个pointnet2_cls_msg，这个pointnet2_cls_msg文件下有checkpoints，如果这个checkpoints下边有一个best_model.pth这是我们训练好的网络模型的权重文件。pointnet2_cls_msg这个文件夹下边有一个logs目录，下面的pointnet2_cla_msg.txt就是我们训练过程的日志，包含一些从什么时候开始训练以及他中间的一些信息，从里边可以看到这个Accuracy是在不断的改善，最终训练好的Best Instance Accuracy可以到0.926613（其中Instance Accuracy是所有物体分类正确以后的统计结果）、Class Accuracy可以到0.915796（Class Accuracy是对每一分类正确的统计，每一个类别我们就是对于40个类别他的Accuracy以后的再进行平均以后的结果）。

三、测试

接下来对训练好的模型进行一下测试。

在log--->classfication--->pointnet2_cls_msg--->eval.txt这个里边就是测试的结果，

---------物体部件分割的任务（Part Segmentation）--------

一、数据准备

shapenetcore_partanno_segmentation_benchmark_v0_normal.zip解压后下边有：(有16个子文件夹，他代表了不同的物体)

（1）有synsetoffset2category.txt，里边罗列了16种物体，以及后边是分别对应的他们文件夹的名字。

（2）到每一个文件夹下查看有很多个txt文件，比如02691156文件夹下打开一个txt文件如下图：

每一个txt文件里边有很多行数据（2816行，就表示有2816个点的数据），每一行中其中前三个表示xyz的值，接着的中间三个表示法向量的值，最后一个他是飞机部件的编号（0、1、2、3一共有4个部件，也就是说飞机一共被分成了4个部分，）（一共有16个物体，每个物体有若干个部件的分类，一共有50个部件的分类）

二、PointNet++物体部件分割训练

训练结果在log目录下，part_seg下边pointnet2_part_seg_msg下边checkpoints下边我们训练出的best-model.pth就是我们训练出的网络模型。同时在pointnet2_part_seg_msg下边的logs下边pointnet2_part_seg_msg.txt就是训练过程的记录 .

三、测试

---------场景语义分割（Semantic Segmentation）任务--------

一、数据准备

下载完数据集后在解压的时候自己一定要新建立一个s3dis文件夹，否则他在处理的时候会出问题。这个s3dis文件夹下边就会放入我们新解压以后的Stanford3Dataset_v1.2_Aligned_Version这个数据集，这个数据集下边有6个Area，每一个Area下边有不同的场景，比如 conferenceRoom_1下边有一个conferenceRoom_1.txt下边有很多点的数据（前3个是xyz的值即坐标信息，后边3个是RGB的值即颜色信息）这个就是conferenceRoom的一个场景，场景中有办公桌、门、地板等物体，我们要做的事情就是对这个场景中的物体进行分类，我们需要对每一个点它属于哪一个物体进行相应的分类，其实这是一个分割的问题。

解压完数据之后，在训练之前还需要一个步骤，就是进一步的处理。到data_utils目录下执行python collect_indoor3d_data.py 这样处理完的数据他会在data/stanford_indoor3d目录下。

产生这样的npy数据之后我们才能够进行网络模型的训练。

二、训练

这样的任务对于内存和显存的要求都比较高，pointnet++的作者是有4个显卡进行训练的，所以对于我们大家机器的内存和显存要求都比较高，内存最好在64g，显卡最好有4张显卡，这样每张显卡在11~12g可以达到40多g的这样的显存，但是我们平时都没有这么高的配置哈哈，下边是训练的命令和测试的命令，有条件的话可以尝试。

由于性能配置要求较高，直接shot了进程，没有训练完成。