Pointnet2_PyTorch

PointNet2/pointnet ++ pytorch

Projektstatus : unerbittlich. Aufgrund der endlichen Zeit habe ich keine Pläne, diesen Code zu aktualisieren, und ich werde nicht auf Probleme antworten.

• Implemention von PointNet2/PointNet ++ in Pytorch geschrieben.
• Unterstützt Multi-GPU über nn.dataparallel.
• Unterstützt die Pytorch -Version> = 1.0.0. Verwenden Sie V1.0 zur Unterstützung älterer Versionen von Pytorch.

Siehe die offizielle Code-Version für das Papier (in TensorFlow), Charlesq34/Pointnet2, für offizielle Modelldefinitionen und Hyperparameter.

Die von PointNet ++ verwendeten benutzerdefinierten OPs werden derzeit nur mit CUDA an der GPU unterstützt.

Aufstellen

• Installieren Sie python - Dieses Repo wird mit {3.6, 3.7} getestet

• Installieren Sie pytorch mit CUDA - Dieses Repo wird mit {1.4, 1.5} getestet. Es kann mit Versionen als 1.5 funktionieren, aber dies ist nicht garantiert.

• Abhängigkeiten installieren

   PIP Installation -r Anforderungen.txt
  

Beispieltraining

Installieren mit: pip install -e .

Es gibt ein Beispiel für ein Trainingsskript in pointnet2/train.py . Die Trainingsbeispiele werden unter Verwendung von Pytorch Lightning und Hydra gebaut.

Ein Klassifikpunktnetz kann als ausgebildet werden

 Python Pointnet2/Train.py Task = Cls

# Oder mit model = msg für die multi-skalierige Gruppierung

Python Pointnet2/Train.py Task = CLS Model = MSG

In ähnlicher Weise kann die semantische Segmentierung geschult werden, indem die Aufgabe in semseg geändert wird

 Python Pointnet2/Train.py Task = Semseg

Das Multi-GPU-Training kann aktiviert werden, indem beispielsweise eine Liste der zu verwendenden GPU-IDs bestanden

 Python PointNet2/Train.py Task = CLS gpus = [0,1,2,3]

Nur die Cuda -Kerne bauen

 PIP Installation PointNet2_OPS_LIB/.

# Oder wenn Sie sie direkt installieren möchten (dies kann auch in einem Anforderungen verwendet werden.txt)

PIP Installation "git+git: //github.com/erikwijmans/pointnet2_pytorch.git#egg=pointnet2_ops&subDirectory=PointNet2_ops_lib"

Beitragen

Dieses Repository verwendet Black zum Linken und Stildurchsetzung auf dem Python -Code. Für C ++/CUDA-Code wird Clang-Format für den Stil verwendet. Der einfachste Weg, um den Stil zu entsprechen

 PIP Installieren Sie Pre-Commit
Vor-Commit-Installation

Zitat

 @Article {Pytorchpointnet ++,
      Autor = {Erik Wijmans},
      Title = {pointnet ++ pytorch},
      Journal = {https://github.com/erikwijmans/pointnet2_pytorch},
      Jahr = {2018}
}

@InProceedings {qi2017pointnet ++,
    title = {pointnet ++: Deep hierarchisches Feature -Lernen auf Punktsätzen in einem metrischen Raum},
    Autor = {Qi, Charles Ruizhongtai und Yi, Li und Su, Hao und Guibas, Leonidas J},
    boottitle = {Fortschritte in neuronalen Informationsverarbeitungssystemen},
    Seiten = {5099--5108},
    Jahr = {2017}
}