本文使用的是Pytorch版本的Pointnet++代码，主要包含完整的环境配置及训练过程，包括在训练时遇到的坑。

目录

1.Windows11环境配置

2.Ubuntu环境配置

3.训练教程

         3.1分类（Classification）训练

3.2零件分割（Part Segmentation）训练

3.3场景分割（Semantic Segmentation）训练

---

代码地址

1.Windows11环境配置

这里主要是pytorch的安装比较重要，其他的包没有太多的限制。

我的电脑配置：

系统：Windows11  处理器：R7000P   显卡：3060

由于是Windows系统，可以不安装cuda和cudnn,使用anaconda来安装GPU版本的pytorch即可。

anaconda的深度学习环境信息如下：

Python版本：3.7

torch版本：1.11.0+cuda11.3(通过官方命令安装，教程比较多，就不放命令了)

其他安装包版本信息：

absl-py                      1.3.0
antlr4-python3-runtime       4.9.3
astunparse                   1.6.3
attr                         0.3.2
attrs                        22.1.0
backcall                     0.2.0
brotlipy                     0.7.0
cachetools                   5.2.0
certifi                      2022.9.24
cffi                         1.15.1
charset-normalizer           2.0.4
colorama                     0.4.6
coloredlogs                  15.0.1
commonmark                   0.9.1
coremltools                  6.1
cryptography                 38.0.1
cvms                         0.1.1
cycler                       0.11.0
decorator                    5.1.1
einops                       0.6.0
fairscale                    0.4.6
filelock                     3.9.0
flatbuffers                  1.12
fonttools                    4.38.0
gast                         0.4.0
gitdb                        4.0.10
GitPython                    3.1.31
google-auth                  2.14.0
google-auth-oauthlib         0.4.6
google-pasta                 0.2.0
grpcio                       1.50.0
h5py                         3.8.0
huggingface-hub              0.12.0
humanfriendly                10.0
idna                         3.4
imageio                      2.31.2
importlib-metadata           5.0.0
ipython                      7.34.0
jedi                         0.18.1
keras                        2.9.0
Keras-Preprocessing          1.1.2
kiwisolver                   1.4.4
libclang                     14.0.6
lxml                         4.9.3
Markdown                     3.4.1
MarkupSafe                   2.1.1
matplotlib                   3.5.3
matplotlib-inline            0.1.6
mkl-fft                      1.3.1
mkl-random                   1.2.2
mkl-service                  2.4.0
mpmath                       1.2.1
networkx                     2.6.3
numpy                        1.21.5
oauthlib                     3.2.2
omegaconf                    2.3.0
onnx                         1.12.0
onnx-simplifier              0.4.0
onnxruntime                  1.13.1
onnxruntime-gpu              1.12.0
onnxsim-no-ort               0.4.0
opencv-python                4.6.0.66
opt-einsum                   3.3.0
packaging                    20.9
pandas                       1.3.5
parso                        0.8.3
pickleshare                  0.7.5
Pillow                       9.2.0
pip                          22.2.2
prompt-toolkit               3.0.32
protobuf                     3.20.0
psutil                       5.9.4
pyasn1                       0.4.8
pyasn1-modules               0.2.8
pycparser                    2.21
Pygments                     2.13.0
pyOpenSSL                    22.0.0
pyparsing                    3.0.9
pyreadline                   2.1
PySocks                      1.7.1
python-dateutil              2.8.2
pytz                         2022.6
PyWavelets                   1.3.0
PyYAML                       6.0
requests                     2.28.1
requests-oauthlib            1.3.1
rich                         12.6.0
rsa                          4.9
scikit-image                 0.19.3
scikit-learn                 0.19.2
scipy                        1.7.3
seaborn                      0.12.1
setuptools                   63.2.0
six                          1.16.0
smmap                        5.0.0
sympy                        1.10.1
tensorboard                  2.9.0
tensorboard-data-server      0.6.1
tensorboard-plugin-wit       1.8.1
tensorflow                   2.9.0
tensorflow-estimator         2.9.0
tensorflow-hub               0.12.0
tensorflow-intel             2.11.0
tensorflow-io-gcs-filesystem 0.27.0
tensorflowjs                 3.19.0
termcolor                    2.1.0
thop                         0.1.1.post2209072238
tifffile                     2021.11.2
timm                         0.6.12
torch                        1.11.0
torchaudio                   0.11.0
torchsummary                 1.5.1
torchvision                  0.12.0
tqdm                         4.64.1
traitlets                    5.5.0
typing_extensions            4.3.0
urllib3                      1.26.12
wcwidth                      0.2.5
Werkzeug                     2.2.2
wheel                        0.37.1
win-inet-pton                1.1.0
wincertstore                 0.2
wrapt                        1.14.1
zipp                         3.10.0

2.Ubuntu环境配置

1.显卡：华硕 ATS GeForce RTX4070-o12G-GAMING

 20.04  显卡驱动版本：NVIDIA-Linux-x86_64-535.129.03.run

cuda :

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:33:58_PDT_2022
Cuda compilation tools, release 11.8, V11.8.89
Build cuda_11.8.r11.8/compiler.31833905_0

cudnn:

cudnn-linux-x86_64-8.9.5.30_cuda11-archive

通过anaconda配置的环境，在官网找的命令安装的，版本是2.1.0+cu118

在ubuntu中cuda版本要完全对应才能用，比如我的全是11.8版本。

其他安装包版本：

absl-py                 2.0.0
asttokens               2.4.1
backcall                0.2.0
Brotli                  1.0.9
cachetools              5.3.2
certifi                 2023.7.22
charset-normalizer      3.3.2
contourpy               1.1.1
cycler                  0.12.1
decorator               5.1.1
einops                  0.7.0
executing               2.0.1
filelock                3.9.0
fonttools               4.44.3
fsspec                  2023.12.2
gmpy2                   2.1.2
google-auth             2.25.2
google-auth-oauthlib    1.0.0
grpcio                  1.60.0
huggingface-hub         0.19.4
idna                    3.4
importlib-metadata      7.0.1
importlib-resources     6.1.1
ipython                 8.12.3
jedi                    0.19.1
Jinja2                  3.1.2
kiwisolver              1.4.5
Markdown                3.5.1
MarkupSafe              2.1.1
matplotlib              3.7.4
matplotlib-inline       0.1.6
mkl-fft                 1.3.1
mkl-random              1.2.2
mkl-service             2.4.0
mpmath                  1.3.0
networkx                3.1
numpy                   1.24.3
oauthlib                3.2.2
olefile                 0.46
opencv-python           4.8.1.78
packaging               23.2
pandas                  2.0.3
parso                   0.8.3
pexpect                 4.9.0
pickleshare             0.7.5
Pillow                  8.2.0
pip                     23.3
prompt-toolkit          3.0.43
protobuf                3.20.0
psutil                  5.9.6
ptyprocess              0.7.0
pure-eval               0.2.2
pyasn1                  0.5.1
pyasn1-modules          0.3.0
pycocotools             2.0.7
Pygments                2.17.2
pyparsing               3.1.1
PySocks                 1.7.1
python-dateutil         2.8.2
pytz                    2023.3.post1
PyYAML                  6.0.1
requests                2.31.0
requests-oauthlib       1.3.1
rsa                     4.9
safetensors             0.4.1
scipy                   1.10.1
seaborn                 0.13.0
setuptools              68.0.0
six                     1.16.0
stack-data              0.6.3
sympy                   1.11.1
tensorboard             2.14.0
tensorboard-data-server 0.7.2
thop                    0.1.1.post2209072238
timm                    0.9.12
torch                   2.1.0+cu118
torchaudio              2.1.0+cu118
torchvision             0.16.0+cu118
tqdm                    4.66.1
traitlets               5.14.0
triton                  2.1.0
typing_extensions       4.8.0
tzdata                  2023.3
urllib3                 2.1.0
wcwidth                 0.2.12
Werkzeug                3.0.1
wheel                   0.41.2
zipp                    3.17.0

3.训练教程
3.1分类（Classification）训练

数据下载：下载ModelNet到data/modelnet40_normal_resampled/​​​​​​​

训练命令：我使用的pycharm，直接在pycharm中打开终端，运行命令

# ModelNet40
## Select different models in ./models ## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg## e.g., pointnet2_ssg with normal features
python train_classification.py --model pointnet2_cls_ssg --use_normals --log_dir pointnet2_cls_ssg_normal
python test_classification.py --use_normals --log_dir pointnet2_cls_ssg_normal## e.g., pointnet2_ssg with uniform sampling
python train_classification.py --model pointnet2_cls_ssg --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
python test_classification.py --use_uniform_sample --log_dir pointnet2_cls_ssg_fps# ModelNet10
## Similar setting like ModelNet40, just using --num_category 10## e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --num_category 10
python test_classification.py --log_dir pointnet2_cls_ssg --num_category 10

3.2零件分割（Part Segmentation）训练

数据准备：下载ShapeNet 到data/shapenetcore_partanno_segmentation_benchmark_v0_normal/

训练命令：

python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg

3.3场景分割（Semantic Segmentation）训练

数据准备：下载S3DIS到data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/

cd data_utils
python collect_indoor3d_data.pypython train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual

PS:前两行命令是数据处理的命令，主要是进行数据读取和生成相应的训练数据格式，在Ubuntu上是正常运行的，在Windows上运行会失败，无法生成训练用的数据格式，所以最好在Ubuntu上训练，如果一定要用Windows，可以ubuntu上生成数据格式在导到Windows上，数据生成不需要安装torch