基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

这篇具有很好参考价值的文章主要介绍了基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前言

一.资料下载

1.代码下载

2.数据集下载

二.环境配置

1.本文采用设备配置说明

2.虚拟环境配置

三.训练部分

1.分类训练部分

2.分割的训练部分

四.预测部分

1.分类结果展示

2.分割结果可视化


前言

目前,2D的物体检测算法已经非常成熟,算法准确率的上升空间已经遇到瓶颈,而且2D物体检测多受光照、遮挡等外界环境因素影响,已经满足不了时下复杂环境要求。人们开始转向对3D物体世界的研究,3D物体检测掀起了前所未有的浪潮。本文pointnet网络可以说是3D物体检测领域中里程碑性的工作,它也为后续复杂网络奠定了基础,是3D物体检测领域不可不学,不可不复现的经典网络。

一.资料下载

1.代码下载

代码放在百度网盘了,可在如下链接中下载:

http://链接:https://pan.baidu.com/s/1w_tJU3UlPish9bQLYEzE2g 提取码:zfquhttp://链接:https://pan.baidu.com/s/1w_tJU3UlPish9bQLYEzE2g 提取码:zfqu

下载完代码如下:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

2.数据集下载

https://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.ziphttps://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.zip数据集下载完直接解压即可

如点开网页出现信息如下图:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

可点击图片上的 高级 选项 ,然后继续进行下载,如下图黑框中:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)​​​​​​​

二.环境配置

1.本文采用设备配置说明

            系统:Ubuntu 18.04.6 LTS(window系统也可)

            显卡:RTX3090

            CUDA版本:cuda11.1

2.虚拟环境配置

在anconda中创建python3.6版本的虚拟环境,激活虚拟环境并在其中下载torch:

             torch1.8.0+cu111

             torchvision0.9.0+cu111

以上环境配置出现问题可以查看我上一篇环境配置部分,根据自己电脑配置,配置相对应的cuda及torch版本

三.训练部分

1.分类训练部分

(1)在配置好的虚拟环境中执行:

python train_classification.py --dataset shapenetcore_partanno_segmentation_benchmark_v0

--dataset 是指定需要训练的数据集

(2)训练过程如下图:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

 训练完的权重文件会存放在cls文件夹中

2.分割的训练部分

(1)在配置好的虚拟环境中执行:

python train_segmentation.py --dataset shapenetcore_partanno_segmentation_benchmark_v0

--dataset 是指定需要训练的数据集

(2)训练过程如下图:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

 训练完的权重文件会存放在seg文件夹中

四.预测部分

1.分类结果展示

输入以下代码进行预测:

python show_cls.py --model ./cls/cls_model_4.pth

--model 指定得是训练好的权重文件,结果如下:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

可见,准确率大多都在93%以上,检测效果良好

2.分割结果可视化

输入以下代码进行预测:

python show_seg.py --class_choice 'Car' --model ./seg/seg_model_Chair_4.pth

--class_choice 指定要识别的物体类别

--model 指定得是训练好的权重文件,结果如下:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

可见,网络已经成功分割出了汽车,这是由3d点云组成的动态汽车图,可滑动鼠标进行查看

还可以分割飞机等其他物体,操作方法是一样的,只需换一下指定的物体类别,如:

python show_seg.py --class_choice 'Airplane' --model ./seg/seg_model_Chair_4.pth

可视化结果如下:

基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)

配置过程中遇到任何问题,可以加关注私聊我,很愿意帮你解决!!!文章来源地址https://www.toymoban.com/news/detail-428268.html

到了这里,关于基于pointnet的3D物体分类和分割检测(复现不出来你直接敲我家门)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 复现PointNet++(语义分割网络):Windows + PyTorch + S3DIS语义分割 + 代码

    Windows 10 GPU RTX 3090 + CUDA 11.1 + cudnn 8.9.6 Python 3.9 Torch 1.9.1 + cu111 所用的原始代码:https://github.com/yanx27/Pointnet_Pointnet2_pytorch Stanford3dDataset_v1.2_Aligned_Version 分享给有需要的人,代码质量勿喷。 对源代码进行了简化和注释。 分割结果保存成txt,或者利用 laspy 生成点云。 别问为啥在

    2024年01月21日
    浏览(44)
  • 3D目标检测(一)—— 基于Point-Based方法的PointNet点云处理系列

    目录 3D目标检测(一)—— PointNet,PointNet++,PointNeXt, PointMLP 前言 零、网络使用算法 FPS最远点采样法 Ball-query球查询 一、PointNet 二、PointNet++ MSG-PointNet++ 三、PointNeXt 四、PointMLP 总结 在3D目标检测中,可以大致分为基于图像、基于点云和基于多模态融合的三种方法。而基于点

    2023年04月09日
    浏览(57)
  • 使用 PointNet 进行3D点集(即点云)的分类

    无序3D点集(即点云)的分类、检测和分割是计算机视觉中的核心问题。此示例实现了开创性的点云深度学习论文PointNet(Qi 等人,2017)。 如果使用 colab 首先安装 trimesh  !pip install trimesh 。

    2024年02月07日
    浏览(40)
  • 3D检测:从pointnet,voxelnet,pointpillar到centerpoint

    记录centerpoint学习笔记。目前被引用1275次,非常高。 地址:Center-Based 3D Object Detection and Tracking (thecvf.com) GitHub - tianweiy/CenterPoint CenterPoint:三维点云目标检测算法梳理及最新进展(CVPR2021)_哔哩哔哩_bilibili 作者解释。 CenterPoint 是一种用于激光点云的3D目标检测与跟踪算法框架

    2024年04月22日
    浏览(39)
  • Windows系统保姆级复现Pointnet++算法教程笔记(基于Pytorch)

    今天复现了PointNet++网络,中途也遇到过好多报错问题,但都一一解决了,最终实现cls、partseg、semseg训练(train)和测试(test)程序的成功跑通。 首先,我参考的论文和所用的源码参考自这篇文章: 3D点云目标检测算法Pointnet++项目实战 Pytorch实现 附代码: 链接:https://pan.baidu.com

    2024年01月15日
    浏览(39)
  • 3D点云分割系列1:PointNet,从Voxel-base到Point-base的进阶之路

    PointNet发布于2017CVPR。 《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》 题外话 PointNet对于3D点云分割的意义有点像FCN对语义分割的意义。PointNet不同以往的voxel-based的模型,它试图通过直接对点云数据中每一个点进行处理,来分析点云中每一个点的信息,提取特征

    2024年01月18日
    浏览(45)
  • 基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月11日
    浏览(53)
  • 【实战篇:粘连物体分割——利用几何分割实现瓶盖分割检测】

        在去年学习opencv的过程当中,做过一张瓶盖分割的练习。目的就是为了分割出每个瓶盖,当时想着,除了霍夫圆检测思路之外,能不能根据相连瓶盖的特征进行分割呢?于是便想到了根据角点检测其相连位置,然后在相连位置之间画一根线进行切除。是不是想法很单纯

    2024年02月09日
    浏览(49)
  • 卷积神经网络(CNN):基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及,对地观测已具备多次以上的全球覆盖能力,遥感影像也

    2024年02月04日
    浏览(59)
  • 从CNN到Transformer:基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及,对地观测已具备多次以上的全球覆盖能力,遥感影像也

    2024年01月22日
    浏览(56)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包