[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-erikwijmans--Pointnet2_PyTorch":3,"tool-erikwijmans--Pointnet2_PyTorch":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":102,"env_os":103,"env_gpu":104,"env_ram":103,"env_deps":105,"category_tags":112,"github_topics":113,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":153},2253,"erikwijmans\u002FPointnet2_PyTorch","Pointnet2_PyTorch","PyTorch implementation of Pointnet2\u002FPointnet++","Pointnet2_PyTorch 是经典深度学习模型 PointNet++ 的 PyTorch 版本实现，专为处理三维点云数据而设计。它解决了在无序点集上进行高效特征提取的难题，支持物体分类和语义分割等核心任务，让研究人员无需依赖原始的 TensorFlow 代码即可在 PyTorch 生态中复现前沿成果。\n\n这款工具特别适合从事计算机视觉、自动驾驶或机器人领域的开发者与科研人员使用。其技术亮点在于原生支持多 GPU 并行训练，能显著加速模型迭代过程；同时内置了自定义的 CUDA 算子，确保了在图形处理器上的高性能运行。项目基于 PyTorch Lightning 和 Hydra 构建，提供了清晰的训练脚本示例，用户只需简单配置即可启动分类或分割任务的训练流程。\n\n需要注意的是，由于项目目前处于非维护状态，它更适合希望参考标准实现进行二次开发，或在特定旧版 PyTorch 环境下工作的进阶用户。对于想要深入理解点云分层特征学习机制的研究者而言，Pointnet2_PyTorch 依然是一个极具价值的开源基准代码库。","Pointnet2\u002FPointnet++ PyTorch\n============================\n\n\n**Project Status**: Unmaintained.  Due to finite time, I have no plans to update this code and I will not be responding to issues.\n\n* Implemention of Pointnet2\u002FPointnet++ written in `PyTorch \u003Chttp:\u002F\u002Fpytorch.org>`_.\n\n* Supports Multi-GPU via `nn.DataParallel \u003Chttps:\u002F\u002Fpytorch.org\u002Fdocs\u002Fstable\u002Fnn.html#torch.nn.DataParallel>`_.\n\n* Supports PyTorch version >= 1.0.0.  Use `v1.0 \u003Chttps:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Freleases\u002Ftag\u002Fv1.0>`_\n  for support of older versions of PyTorch.\n\n\nSee the official code release for the paper (in tensorflow), `charlesq34\u002Fpointnet2 \u003Chttps:\u002F\u002Fgithub.com\u002Fcharlesq34\u002Fpointnet2>`_,\nfor official model definitions and hyper-parameters.\n\nThe custom ops used by Pointnet++ are currently **ONLY** supported on the GPU using CUDA.\n\nSetup\n-----\n\n* Install ``python`` -- This repo is tested with ``{3.6, 3.7}``\n\n* Install ``pytorch`` with CUDA -- This repo is tested with ``{1.4, 1.5}``.\n  It may work with versions newer than ``1.5``, but this is not guaranteed.\n\n\n* Install dependencies\n\n  ::\n\n    pip install -r requirements.txt\n\n\n\n\n\n\n\nExample training\n----------------\n\nInstall with: ``pip install -e .``\n\nThere example training script can be found in ``pointnet2\u002Ftrain.py``.  The training examples are built\nusing `PyTorch Lightning \u003Chttps:\u002F\u002Fgithub.com\u002FwilliamFalcon\u002Fpytorch-lightning>`_ and `Hydra \u003Chttps:\u002F\u002Fhydra.cc\u002F>`_.\n\n\nA classifion pointnet can be trained as\n\n::\n\n  python pointnet2\u002Ftrain.py task=cls\n\n  # Or with model=msg for multi-scale grouping\n\n  python pointnet2\u002Ftrain.py task=cls model=msg\n\n\nSimilarly, semantic segmentation can be trained by changing the task to ``semseg``\n\n::\n\n  python pointnet2\u002Ftrain.py task=semseg\n\n\n\nMulti-GPU training can be enabled by passing a list of GPU ids to use, for instance\n\n::\n\n  python pointnet2\u002Ftrain.py task=cls gpus=[0,1,2,3]\n\n\nBuilding only the CUDA kernels\n----------------------------------\n\n\n::\n\n  pip install pointnet2_ops_lib\u002F.\n\n  # Or if you would like to install them directly (this can also be used in a requirements.txt)\n\n  pip install \"git+git:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib\"\n\n\n\n\n\n\nContributing\n------------\n\nThis repository uses `black \u003Chttps:\u002F\u002Fgithub.com\u002Fambv\u002Fblack>`_ for linting and style enforcement on python code.\nFor c++\u002Fcuda code,\n`clang-format \u003Chttps:\u002F\u002Fclang.llvm.org\u002Fdocs\u002FClangFormat.html>`_ is used for style.  The simplest way to\ncomply with style is via `pre-commit \u003Chttps:\u002F\u002Fpre-commit.com\u002F>`_\n\n::\n\n  pip install pre-commit\n  pre-commit install\n\n\n\nCitation\n--------\n\n::\n\n  @article{pytorchpointnet++,\n        Author = {Erik Wijmans},\n        Title = {Pointnet++ Pytorch},\n        Journal = {https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch},\n        Year = {2018}\n  }\n\n  @inproceedings{qi2017pointnet++,\n      title={Pointnet++: Deep hierarchical feature learning on point sets in a metric space},\n      author={Qi, Charles Ruizhongtai and Yi, Li and Su, Hao and Guibas, Leonidas J},\n      booktitle={Advances in Neural Information Processing Systems},\n      pages={5099--5108},\n      year={2017}\n  }\n","Pointnet2\u002FPointnet++ PyTorch\n============================\n\n\n**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。\n\n* 使用 `PyTorch \u003Chttp:\u002F\u002Fpytorch.org>`_ 编写的 Pointnet2\u002FPointnet++ 实现。\n\n* 通过 `nn.DataParallel \u003Chttps:\u002F\u002Fpytorch.org\u002Fdocs\u002Fstable\u002Fnn.html#torch.nn.DataParallel>`_ 支持多 GPU。\n\n* 支持 PyTorch 版本 >= 1.0.0。如需支持旧版本的 PyTorch，请使用 `v1.0 \u003Chttps:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Freleases\u002Ftag\u002Fv1.0>`_。\n\n\n有关该论文的官方 TensorFlow 代码发布，请参阅 `charlesq34\u002Fpointnet2 \u003Chttps:\u002F\u002Fgithub.com\u002Fcharlesq34\u002Fpointnet2>`_，其中包含官方的模型定义和超参数。\n\nPointnet++ 所使用的自定义操作目前**仅**在 GPU 上通过 CUDA 支持。\n\n设置\n-----\n\n* 安装 ``python`` -- 本仓库已在 ``{3.6, 3.7}`` 上测试过。\n\n* 安装带有 CUDA 的 ``pytorch`` -- 本仓库已在 ``{1.4, 1.5}`` 上测试过。\n  较新版本的 PyTorch 可能也能运行，但不保证兼容性。\n\n\n* 安装依赖项\n\n  ::\n\n    pip install -r requirements.txt\n\n\n\n\n\n\n\n示例训练\n----------------\n\n使用以下命令安装：``pip install -e .``\n\n示例训练脚本位于 ``pointnet2\u002Ftrain.py`` 中。训练示例基于 `PyTorch Lightning \u003Chttps:\u002F\u002Fgithub.com\u002FwilliamFalcon\u002Fpytorch-lightning>`_ 和 `Hydra \u003Chttps:\u002F\u002Fhydra.cc\u002F>`_ 构建。\n\n\n分类任务的 Pointnet 可以通过以下命令训练：\n\n::\n\n  python pointnet2\u002Ftrain.py task=cls\n\n  # 或者使用 model=msg 进行多尺度分组\n\n  python pointnet2\u002Ftrain.py task=cls model=msg\n\n\n同样地，语义分割可以通过将任务改为 ``semseg`` 来训练：\n\n::\n\n  python pointnet2\u002Ftrain.py task=semseg\n\n\n\n多 GPU 训练可以通过传递要使用的 GPU ID 列表来启用，例如：\n\n::\n\n  python pointnet2\u002Ftrain.py task=cls gpus=[0,1,2,3]\n\n\n仅构建 CUDA 内核\n----------------------------------\n\n\n::\n\n  pip install pointnet2_ops_lib\u002F.\n\n  # 或者直接安装（也可用于 requirements.txt）\n\n  pip install \"git+git:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib\"\n\n\n\n\n\n\n贡献\n------------\n\n本仓库使用 `black \u003Chttps:\u002F\u002Fgithub.com\u002Fambv\u002Fblack>`_ 对 Python 代码进行 lint 检查和风格强制。\n对于 C++\u002FCUDA 代码，则使用 `clang-format \u003Chttps:\u002F\u002Fclang.llvm.org\u002Fdocs\u002FClangFormat.html>`_ 进行格式化。\n最简单的方式是通过 `pre-commit \u003Chttps:\u002F\u002Fpre-commit.com\u002F>`_ 来确保代码风格符合要求：\n\n::\n\n  pip install pre-commit\n  pre-commit install\n\n\n\n引用\n--------\n\n::\n\n  @article{pytorchpointnet++,\n        Author = {Erik Wijmans},\n        Title = {Pointnet++ Pytorch},\n        Journal = {https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch},\n        Year = {2018}\n  }\n\n  @inproceedings{qi2017pointnet++,\n      title={Pointnet++: Deep hierarchical feature learning on point sets in a metric space},\n      author={Qi, Charles Ruizhongtai and Yi, Li and Su, Hao and Guibas, Leonidas J},\n      booktitle={Advances in Neural Information Processing Systems},\n      pages={5099--5108},\n      year={2017}\n  }","# Pointnet2_PyTorch 快速上手指南\n\n> **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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐，用于编译 CUDA 扩展)\n*   **Python 版本**：`3.6` 或 `3.7` (已测试版本)\n*   **PyTorch 版本**：`>= 1.0.0` (推荐 `1.4` 或 `1.5`，需包含 CUDA 支持)\n*   **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。\n\n**国内加速建议**：\n安装依赖时建议使用清华或阿里镜像源以提升下载速度：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n### 1. 安装基础依赖\n首先安装项目所需的 Python 依赖包：\n```bash\npip install -r requirements.txt\n```\n\n### 2. 安装项目本身\n以可编辑模式安装本项目，以便运行训练脚本：\n```bash\npip install -e .\n```\n\n### 3. (可选) 单独编译 CUDA 内核\n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：\n```bash\npip install pointnet2_ops_lib\u002F.\n```\n或者直接通过 Git 安装：\n```bash\npip install \"git+git:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib\"\n```\n\n## 基本使用\n\n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：\n\n### 1. 训练点云分类模型 (Classification)\n运行默认的单尺度分组模型：\n```bash\npython pointnet2\u002Ftrain.py task=cls\n```\n\n运行多尺度分组模型 (MSG)：\n```bash\npython pointnet2\u002Ftrain.py task=cls model=msg\n```\n\n### 2. 训练语义分割模型 (Semantic Segmentation)\n将任务参数更改为 `semseg`：\n```bash\npython pointnet2\u002Ftrain.py task=semseg\n```\n\n### 3. 多 GPU 训练\n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）：\n```bash\npython pointnet2\u002Ftrain.py task=cls gpus=[0,1,2,3]\n```\n\n---\n*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\u002Fpointnet2)。*","某自动驾驶初创公司的感知算法团队，正致力于利用车载激光雷达（LiDAR）采集的点云数据，训练一个能精准识别行人和车辆的高精度语义分割模型。\n\n### 没有 Pointnet2_PyTorch 时\n- **框架迁移成本高昂**：团队需手动将论文官方的 TensorFlow 代码逐行重写为 PyTorch 版本，极易在复杂的层级特征提取逻辑中引入难以排查的 Bug。\n- **自定义算子开发受阻**：Pointnet++ 核心的采样与分组操作依赖 CUDA 加速，工程师需从零编写并调试 C++\u002FCUDA 扩展，耗时数周且容易因版本不兼容导致编译失败。\n- **多卡训练效率低下**：缺乏现成的多 GPU 支持方案，团队需自行封装分布式训练逻辑，导致显存利用率低，模型迭代周期被大幅拉长。\n- **实验复现困难**：由于缺少标准化的超参数配置和模块化结构，不同成员搭建的实验环境不一致，导致实验结果无法稳定复现。\n\n### 使用 Pointnet2_PyTorch 后\n- **即插即用加速研发**：直接调用已验证的 PyTorch 原生实现，团队省去了数周的代码重构时间，首日即可启动基线模型训练。\n- **预编译算子无缝集成**：通过简单的 pip 命令即可安装包含定制 CUDA 内核的操作库，完美解决 GPU 加速难题，确保前向传播与反向梯度计算高效稳定。\n- **原生支持多卡并行**：利用内置的 `nn.DataParallel` 支持，仅需在命令行传入 GPU ID 列表（如 `gpus=[0,1,2,3]`），立刻实现线性加速比，显著缩短训练时长。\n- **标准化实验流程**：基于 PyTorch Lightning 和 Hydra 构建的训练脚本提供了统一的配置管理，确保了实验环境的一致性，让团队能专注于调优模型而非修补基础设施。\n\nPointnet2_PyTorch 通过将复杂的底层算子封装与框架适配工作标准化，让算法团队能从繁琐的工程泥潭中解脱，全心聚焦于提升自动驾驶感知的核心精度。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ferikwijmans_Pointnet2_PyTorch_5965e7b7.png","erikwijmans","Erik Wijmans","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ferikwijmans_a0f22ca0.jpg","https:\u002F\u002Ftwitter.com\u002Ferikwijmans",null,"wijmans.xyz","https:\u002F\u002Fgithub.com\u002Ferikwijmans",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Python","#3572A5",62.3,{"name":88,"color":89,"percentage":90},"Cuda","#3A4E3A",21.2,{"name":92,"color":93,"percentage":94},"C++","#f34b7d",14.4,{"name":96,"color":97,"percentage":23},"C","#555555",1783,400,"2026-04-03T09:39:43","Unlicense",4,"未说明","必需 NVIDIA GPU (自定义算子仅支持 CUDA)，具体型号和显存未说明，需安装支持 PyTorch 的 CUDA 版本",{"notes":106,"python":107,"dependencies":108},"项目已停止维护。Pointnet++ 使用的自定义算子目前仅在 GPU 上通过 CUDA 支持。多 GPU 训练可通过 nn.DataParallel 实现。建议使用指定版本的 PyTorch (1.4 或 1.5) 以确保兼容性。","3.6, 3.7",[109,110,111],"torch>=1.0.0 (测试版本 1.4, 1.5)","pytorch-lightning","hydra",[13],[114,115,116,110,111],"pointnet2","pytorch","point-cloud","2026-03-27T02:49:30.150509","2026-04-06T05:17:35.317405",[120,125,130,134,139,143,148],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},10362,"安装 pointnet2_ops 时遇到 'ninja: build stopped' 或 'subprocess-exited-with-error' 错误怎么办？","这通常是由于 CUDA 架构版本不匹配或编译环境问题导致的。建议检查您的 CUDA 版本与 PyTorch 版本的兼容性。如果使用的是较新的 CUDA（如 11.3+），可能需要修改 setup.py 中的编译参数，移除已弃用的架构（如 compute_35, sm_35 等），或者参考相关技术博客（如 CSDN 上的解决方案）调整环境变量和编译器设置。确保已正确安装 Ninja 构建系统。","https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Fissues\u002F174",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},10363,"在 Indoor3DSemSeg 数据集上测试准确率很低（约 0.33）是正常的吗？","如果不使用预训练模型或正确的配置，准确率可能会很低。维护者确认该实现能够复现原论文的精度（约 81%）。请确保您使用了正确的配置文件（如 MSG 配置），并检查数据预处理步骤是否与官方实现一致。如果输入点云仅包含 XYZ 坐标（BxNx3），请将模型的 input_channels 参数设置为 0，并启用 use_xyz=True。","https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Fissues\u002F9",{"id":131,"question_zh":132,"answer_zh":133,"source_url":129},10364,"如果我的输入点云只有 XYZ 坐标（BxNx3）而不是 BxNx9，应该如何配置模型？","您应该将模型的 input_channels 参数设置为 0，并确保 use_xyz 参数为 True。示例代码如下：\nmodel = Pointnet(num_classes=input_classes, input_channels=0, use_xyz=True)\n这样可以告诉模型直接使用点的坐标作为特征，而不需要额外的颜色或法向量信息。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},10365,"该项目是否提供了最远点采样（FPS）的实现？其算法特性是什么？","是的，项目中包含了 FPS 的实现（位于 pointnet2_ops_lib 的 CUDA 源码中）。该算法具有两个主要特性：1) 近似性（approximate）：始终包含第一个点（point zero）在输出集合中；2) 贪婪性（greedy）：每一步选择距离当前集合最远的点，这可能导致局部最优而非全局最优。该实现在效率上表现优异，适合大规模点云处理。","https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Fissues\u002F83",{"id":140,"question_zh":141,"answer_zh":142,"source_url":138},10366,"运行 FPS 采样时遇到数值不稳定或小模型报错的问题如何解决？","这是由于代码中过滤了接近零的点以避免数值不稳定，但对于非常小的模型可能会误删有效点。解决方法是修改源码文件 `pointnet2_ops_lib\u002Fpointnet2_ops\u002F_ext-src\u002Fsrc\u002Fsampling_gpu.cu`，删除或注释掉第 100-101 行的过滤逻辑。修改后重新编译即可解决该问题。",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},10367,"导入模块时出现 'undefined symbol: PyInt_FromLong' 错误是什么原因？","这是因为 `PyInt_FromLong` 是 Python 2 的符号，在 Python 3 中未定义。错误通常是因为构建系统默认使用了 Python 2.7 进行编译，而运行时使用的是 Python 3。解决方法是编辑 `CMakeLists.txt` 文件，将其中调用 `python` 的地方显式修改为您的 Python 3 路径（例如 `python3.5` 或 `python3.6`），然后重新运行 cmake 和 make 进行编译。","https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Fissues\u002F18",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},10368,"如何在旧版本环境中支持 Python 2.7？","要支持 Python 2.7，需要进行以下修改：1. 将代码中的类型提示切换为 Python 3.6 之前的语法；2. 添加必要的 `from __future__` 导入语句；3. 将代码中的 `@` 矩阵乘法运算符替换为 `np.matmul` 函数以兼容旧版 NumPy；4. 在 `tox.ini` 的 envlist 中添加 `py27` 和 `py35`。维护者已在 v1.1.0 版本中合并了相关修复。","https:\u002F\u002Fgithub.com\u002Ferikwijmans\u002FPointnet2_PyTorch\u002Fissues\u002F21",[154],{"id":155,"version":156,"summary_zh":157,"released_at":158},107609,"v1.0","This release uses the old style of PyTorch bindings (via cffi) that were depreciated in PyTorch-1.0.0.","2019-01-08T17:14:12"]