Pointnet2/Pointnet++ PyTorch

项目状态: 未维护。由于时间有限，我无意更新此代码，也不会回复相关问题。

• 使用 PyTorch <http://pytorch.org>_ 编写的 Pointnet2/Pointnet++ 实现。

• 通过 nn.DataParallel <https://pytorch.org/docs/stable/nn.html#torch.nn.DataParallel>_ 支持多 GPU。

• 支持 PyTorch 版本 >= 1.0.0。如需支持旧版本的 PyTorch，请使用 v1.0 <https://github.com/erikwijmans/Pointnet2_PyTorch/releases/tag/v1.0>_。

有关该论文的官方 TensorFlow 代码发布，请参阅 charlesq34/pointnet2 <https://github.com/charlesq34/pointnet2>_，其中包含官方的模型定义和超参数。

Pointnet++ 所使用的自定义操作目前仅在 GPU 上通过 CUDA 支持。

设置

• 安装 python -- 本仓库已在 {3.6, 3.7} 上测试过。

• 安装带有 CUDA 的 pytorch -- 本仓库已在 {1.4, 1.5} 上测试过。 较新版本的 PyTorch 可能也能运行，但不保证兼容性。

• 安装依赖项

  ::

  pip install -r requirements.txt

示例训练

使用以下命令安装：pip install -e .

示例训练脚本位于 pointnet2/train.py 中。训练示例基于 PyTorch Lightning <https://github.com/williamFalcon/pytorch-lightning>_ 和 Hydra <https://hydra.cc/>_ 构建。

分类任务的 Pointnet 可以通过以下命令训练：

::

python pointnet2/train.py task=cls

或者使用 model=msg 进行多尺度分组

python pointnet2/train.py task=cls model=msg

同样地，语义分割可以通过将任务改为 semseg 来训练：

::

python pointnet2/train.py task=semseg

多 GPU 训练可以通过传递要使用的 GPU ID 列表来启用，例如：

::

python pointnet2/train.py task=cls gpus=[0,1,2,3]

仅构建 CUDA 内核

::

pip install pointnet2_ops_lib/.

或者直接安装（也可用于 requirements.txt）

pip install "git+git://github.com/erikwijmans/Pointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib"

贡献

本仓库使用 black <https://github.com/ambv/black>_ 对 Python 代码进行 lint 检查和风格强制。 对于 C++/CUDA 代码，则使用 clang-format <https://clang.llvm.org/docs/ClangFormat.html>_ 进行格式化。 最简单的方式是通过 pre-commit <https://pre-commit.com/>_ 来确保代码风格符合要求：

::

pip install pre-commit pre-commit install

引用

::

@article{pytorchpointnet++, Author = {Erik Wijmans}, Title = {Pointnet++ Pytorch}, Journal = {https://github.com/erikwijmans/Pointnet2_PyTorch}, Year = {2018} }

@inproceedings{qi2017pointnet++, title={Pointnet++: Deep hierarchical feature learning on point sets in a metric space}, author={Qi, Charles Ruizhongtai and Yi, Li and Su, Hao and Guibas, Leonidas J}, booktitle={Advances in Neural Information Processing Systems}, pages={5099--5108}, year={2017} }

Pointnet2_PyTorch 快速上手指南

注意：本项目目前处于不再维护状态。作者暂无更新计划，也不会回复相关 Issue。本指南仅基于现有代码整理，适用于学习或实验用途。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐，用于编译 CUDA 扩展)
• Python 版本：3.6 或 3.7 (已测试版本)
• PyTorch 版本：>= 1.0.0 (推荐 1.4 或 1.5，需包含 CUDA 支持)
• 硬件要求：必须拥有 NVIDIA GPU 并安装 CUDA，因为自定义算子仅支持 GPU 运行。

国内加速建议： 安装依赖时建议使用清华或阿里镜像源以提升下载速度：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 安装基础依赖

首先安装项目所需的 Python 依赖包：

pip install -r requirements.txt

2. 安装项目本身

以可编辑模式安装本项目，以便运行训练脚本：

pip install -e .

3. (可选) 单独编译 CUDA 内核

如果您只需要构建底层的 CUDA 算子库（例如在其他项目中引用），可以使用以下命令：

pip install pointnet2_ops_lib/.

或者直接通过 Git 安装：

pip install "git+git://github.com/erikwijmans/Pointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib"

基本使用

本项目使用 PyTorch Lightning 和 Hydra 构建训练流程。以下是几种常见的训练场景：

1. 训练点云分类模型 (Classification)

运行默认的单尺度分组模型：

python pointnet2/train.py task=cls

运行多尺度分组模型 (MSG)：

python pointnet2/train.py task=cls model=msg

2. 训练语义分割模型 (Semantic Segmentation)

将任务参数更改为 semseg：

python pointnet2/train.py task=semseg

3. 多 GPU 训练

通过传递 GPU ID 列表来启用多卡并行训练（例如使用 0, 1, 2, 3 号显卡）：

python pointnet2/train.py task=cls gpus=[0,1,2,3]

---

注：具体的模型定义和超参数设置，建议参考原始论文对应的 TensorFlow 官方实现 (charlesq34/pointnet2)。