基于三维点云数据的深度学习PointNet模型（一） 安装及调试

最新推荐文章于 2025-06-26 15:58:38 发布
最新推荐文章于 2025-06-26 15:58:38 发布
阅读量1.8w 收藏 28
点赞数 3
CC 4.0 BY-SA版权
分类专栏： Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sunboyiris/article/details/77854311
本文介绍了如何在Ubuntu 14.04上安装和调试基于三维点云数据的深度学习模型PointNet。重点是配置环境，包括Python 2.7、TensorFlow 1.0.1、CUDA 8.0和cuDNN 5.1，并提到了h5py的安装。在环境准备完毕后，将进行源码解读和调试。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Deep Learning on Point Sets for 3D Classification and Segmentation

一直在三维点云算法设计的领域，看到这篇文章，比较感兴趣，就想了解一下，源码如下：

点击打开链接

编译该源码按照其推荐的方式就可以调通。

Install TensorFlow. You may also need to install h5py. The code has been tested with Python 2.7, TensorFlow 1.0.1, CUDA 8.0 and cuDNN 5.1 on Ubuntu 14.04.

最低0.47元/天 解锁文章

200万优质内容无限畅学
【python三维深度学习】python三维点云从基础到深度学习
叶子的博客
04-07 2万+
从三维点云基础知识到深度学习，将按照以下目录持续进行更新。更新完成的部分可以在三维点云专栏中查看。含数据与python源码。
点云的深度学习
qq_45728381的博客
10-17 1401
点云深度学习是利用深度神经网络对点云数据进行处理和分析的一类技术，主要应用于三维物体识别、语义分割、配准、重建等任务。点云是一种稀疏且不规则的三维数据表示方法，通常由激光雷达、3D扫描仪或结构光等设备获取。与二维图像数据不同，点云的无序性和不规则性使得传统卷积神经网络（CNN）难以直接应用，因此在点云深度学习中需要特定的模型和处理方式。
点云算法（深度学习）
热门推荐
weixin_41965898的博客
08-29 2万+
点云与深度学习 ​
PointNet++部署步骤
weixin_43701053的博客
06-26 795
PointNet++ 的pytorch版本C++部署
点云深度学习方法
skycol的博客
12-05 2371
点云数据特征，点云数据挑战，点云深度学习方法 ：基于体素、基于投影、PointNet And PointNet++、基于图的方法
3D点云网络：PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation
alfred_torres的博客
12-15 2275
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet用于3D分类和分割的点云深度学习网络 Stanford University， 2017CVPR 斯坦福大学提出的直接对3D点云数据进行深度学习，是第一个直接处理点云数据的神经网络，同时还提出了PointNet++在2017年的n...
基于点云的深度学习方法综述
weixin_35935684的博客
07-17 5888
我们生活在一个三维世界里，自从1888年相机问世以来，三维世界的视觉信息就通过相机被映射到二维图象上。但是二维图像的缺点也是显而易见的，那就是缺少深度信息以及真实世界中目标之间的相对位置。所以这种数据表示方法不适合应用在机器人、自动驾驶、虚拟现实等对深度和位置有要求的领域中。为了捕捉到三维世界的深度信息，早期我们使用多目视觉的方法或者来自RGB－D的深度图提取三维空间信息。点云作为一种数据结构，蕴含着丰富的几何信息，我们可以用它表示多目相机和深度图中提取出来的3D信息。 一、什么是点云？ ...
深度学习三维点云处理：PointNet++精讲及PyTorch实现
资源摘要信息:"PointNet++点云处理精讲(PyTorch)是一门专注于三维点云数据处理的深度学习课程，特别是使用PyTorch框架进行PointNet++网络模型的学习和实践。三维点云作为一种重要的三维数据表达形式，在自动驾驶、AR...
PointNet++点云处理精讲(PyTorch)
06-22
PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。 本课程对PyTorch版的PointNet++进行原理讲解、论文...
PointNet++点云处理TensorFlow版
06-22
PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和...
win/ubuntu pointnet2-ops安装
qq_40321547的博客
08-30 1297
win+pointnet2-ops安装
点云数据练习
08-19
可以利用数据在arcgis里做一些练习，新建图层，添加文件，对图层进行一定的编辑，可是不知道为什么额穿不来
PointNet-环境搭建：win10、cuda10.1、cudnn7、python3.7、tensorflow-gpu1.13 （详细）
my4tb
04-19 7818
最初需求是跑通PointNet代码，基于此，搭建环境过程中所遇所学；问题集中在cuda、cudnn、tensorflow-gpu、pycharm、anoconda等方面。
【亲测免费】 PointNet.pytorch 安装和配置指南
gitblog_07676的博客
09-13 741
PointNet.pytorch 安装和配置指南 1. 项目基础介绍和主要编程语言 项目基础介绍 PointNet.pytorch 是一个基于 PyTorch 框架实现的 PointNet 深度学习模型。PointNet 是一种用于处理三维点云数据的神经网络，主要用于三维分类和分割任务。该项目由 fxia22 在 GitHub 上开源，旨在为研究人员和开发者提供一个易于使用的 PointNet 实...
PointNN：一种无参数化的高效点云特征提取方法
soaring_casia的专栏
04-12 2370
本文需要一些三维点云相关基础，非常适合深蓝学院修过相关课程的同学阅读。
自动驾驶 PointNet++ 点云处理原理与代码实战 1（代码部分）
爱学习的大叔的博客
07-22 1571
自动驾驶 PointNet++ 点云处理原理与代码实战 1（代码部分）
如何轻松理解对点云的深度学习算法 - PointNet的进化版 - PointNet++ 算法 （特征提取部分）？
weixin_40247876的博客
02-06 2250
CV_4 PointNet++算法的简单理解（入门级别） 一. 填坑指南  2021年年中的时候，博主曾经写过一篇介绍有关点云的深度学习 - PointNet算法的文章：链接在此。因为各种原因没有继续更新其进阶版 - PointNet++算法，2022年春节假期的最后一天把坑填上。 二. PointNet++弥补了PointNet的哪些缺点？  上回书说到PointNet有以下两大缺点： 与当前的主流网络不符，没有局部特征的融合，要不是自己一个点，要不就是整体一群点。 没有关系的概念，局部样本点之间是一
PointNet环境配置、训练和推理
lemon.qing@foxmail.com
12-12 899
①PointNet使用的数据集ShapeNet②CPU版本的PointNet配置、训练③本篇介绍GPU训练和推理。
2018/6/2 PointNet的解读
wangweiijia的博客
06-10 1492
深度学习算法的点云分割-PointNet（一）  https://blog.youkuaiyun.com/tumi678/article/details/80278554深度学习算法的点云分割-PointNet（二）   https://blog.youkuaiyun.com/tumi678/article/details/80499813深度学习算法的点云分割-PointNet（三）  https://blog.csd...
Ubuntu使用pointnet++
最新发布
08-07
<think>我们正在配置PointNet++框架。根据引用[3]，Pointnet2.ScanNet项目基于PyTorch和CUDA，专门用于语义分割。但用户要求的是PointNet++框架，而PointNet++有多种实现。这里我们参考引用[3]中的环境要求，因为它是专门针对PointNet++的。 环境要求（根据引用[3]）： - 操作系统：Linux（推荐Ubuntu 14.04/16.04），但我们的系统是Ubuntu23.10（引用[1]提到），所以需要注意兼容性。 - Python版本：3.6+ - PyTorch版本：1.8 - CUDA版本：10.2 然而，Ubuntu23.10较新，可能默认的Python版本较高，且CUDA版本也可能较高。我们需要确保环境兼容。 步骤： 1. 安装CUDA和cuDNN：根据引用[1]和引用[3]，CUDA10.2是推荐的。但Ubuntu23.10可能支持更高版本（如12.x），但为了兼容性，我们可以尝试安装CUDA10.2（如果系统支持）或者使用更高版本的PyTorch来适配新的CUDA。不过，引用[3]要求CUDA10.2，所以我们需要安装CUDA10.2。 注意：CUDA10.2对Ubuntu23.10的支持情况？可能需要检查NVIDIA官方文档。如果不行，可能需要使用Docker或者考虑使用更高版本的CUDA并适配PyTorch版本。 2. 安装PyTorch：根据引用[3]，需要PyTorch1.8。但是，PyTorch1.8可能不支持最新的CUDA版本。因此，我们可能需要安装与CUDA10.2兼容的PyTorch1.8。 3. 安装依赖：包括Python依赖（如torchvision, tqdm等）以及编译CUDA扩展所需的工具（gcc, cmake等）。 4. 下载PointNet++代码：这里我们使用Pointnet2.ScanNet项目（引用[3]）作为示例。 5. 编译CUDA扩展：PointNet++需要编译自定义CUDA操作。 由于用户系统是Ubuntu23.10，较新，我们需要特别注意： - 检查CUDA10.2是否支持Ubuntu23.10？如果不支持，可能需要使用其他方式（如conda安装CUDA，或者使用Docker）或者考虑使用更高版本的CUDA（但需要调整PyTorch版本和代码兼容性）。 替代方案：使用conda来管理CUDA版本，这样可以在较新的系统上安装旧版CUDA。 因此，我们采用以下步骤： 步骤1：安装Miniconda（如果尚未安装） 步骤2：创建conda环境，指定Python版本（如3.8，因为3.6可能已经较旧，且Ubuntu23.10可能默认Python3.11） 步骤3：在conda环境中安装CUDA10.2和cuDNN（通过conda安装，可以避免系统级别的CUDA冲突） 步骤4：安装PyTorch1.8（对应CUDA10.2版本） 步骤5：安装其他依赖 步骤6：下载并编译PointNet++的CUDA扩展 详细步骤： 1. 安装Miniconda： 下载Miniconda安装脚本（Python3.8版本）： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-py38_4.12.0-Linux-x86_64.sh bash Miniconda3-py38_4.12.0-Linux-x86_64.sh ``` 按照提示安装，然后激活conda（可能需要重启终端）。 2. 创建conda环境： ```bash conda create -n pointnet2 python=3.8 conda activate pointnet2 ``` 3. 安装CUDA和cuDNN： ```bash conda install cudatoolkit=10.2 conda install cudnn=7.6.5 # 对应CUDA10.2的cuDNN版本 ``` 4. 安装PyTorch1.8.0（支持CUDA10.2）： ```bash pip install torch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 -f https://download.pytorch.org/whl/cu102/torch_stable.html ``` 5. 安装其他依赖： ```bash pip install tqdm scikit-learn matplotlib ``` 6. 下载Pointnet2.ScanNet项目（或者也可以选择其他PointNet++实现，但这里以这个为例）： ```bash git clone https://github.com/daveredrum/Pointnet2.ScanNet.git cd Pointnet2.ScanNet ``` 7. 编译CUDA扩展（根据项目README）： 通常需要编译pointnet2_ops模块。在项目目录下，找到pointnet2_ops_lib目录，执行编译： ```bash cd pointnet2_ops_lib python setup.py install ``` 如果编译出错，可能需要安装一些系统依赖： ```bash sudo apt-get install build-essential python3-dev ``` 8. 准备数据集（如ScanNet）并运行训练或测试。 注意：如果编译过程中遇到CUDA版本不匹配的问题（因为系统可能有多个CUDA版本），我们可以通过设置环境变量指定CUDA路径： ```bash export CUDA_HOME=/path/to/cuda-10.2 # 在conda环境中，CUDA_HOME通常指向conda环境中的cudatoolkit目录，例如：~/miniconda3/envs/pointnet2/ ``` 但实际上，conda安装的cudatoolkit路径在环境内，可以通过`which nvcc`来检查（但conda安装的cudatoolkit可能不包含nvcc，所以可能需要额外安装）。这里有一个替代方案：使用系统安装的CUDA10.2（如果已经安装）或者使用conda安装cudatoolkit-dev（包含nvcc）？但是conda的cudatoolkit包通常不包含nvcc。 因此，我们可能需要单独安装nvcc。在conda环境中，可以安装： ```bash conda install -c conda-forge cudatoolkit-dev # 这个包可能包含nvcc ``` 或者，我们可以使用系统安装的CUDA10.2（如果已经安装）并设置环境变量。 如果用户没有系统CUDA10.2，我们可以通过以下方式在conda环境中安装nvcc： ```bash conda install -c nvidia cuda-nvcc-10-2 ``` 然后设置环境变量： ```bash export CUDA_HOME=$CONDA_PREFIX ``` 然后重新编译。 9. 测试安装： 运行一个简单的训练或测试脚本，或者检查CUDA扩展是否成功导入： ```bash python -c "import torch; from pointnet2_ops import pointnet2_utils" ``` 如果没有报错，则成功。 注意：由于项目可能依赖其他库，请根据项目README安装。 以上步骤基于引用[3]的项目，但用户可能使用其他PointNet++实现（如Charles R. Qi的原始实现）。如果是原始实现（https://github.com/charlesq34/pointnet2），则步骤类似，但需要安装TensorFlow（原始实现使用TF）或PyTorch（有非官方的PyTorch版本）。根据用户需求，我们假设使用PyTorch版本。 如果用户使用其他实现，请根据具体项目的README进行调整。 由于用户要求配置PointNet++框架，我们提供了基于PyTorch的实现（Pointnet2.ScanNet）的配置方法。 最后，注意引用[1]中提到在Ubuntu23.10上配置PointNeXt（另一个点云框架）时遇到的依赖库版本问题，所以我们在配置过程中也要注意依赖版本。</think>### Ubuntu 系统配置 PointNet++ 深度学习框架教程 #### 环境要求 1. **操作系统**：Ubuntu 16.04/18.04/20.04/23.10（推荐 20.04 LTS）[^1][^3] 2. **Python**：3.6+（推荐 3.8） 3. **PyTorch**：1.8+（需与 CUDA 版本匹配） 4. **CUDA**：10.2/11.1+（需与 GPU 驱动兼容）[^3] 5. **cuDNN**：7.6.5+（需与 CUDA 版本匹配） --- ### 安装步骤 #### 1. 安装系统依赖 ```bash sudo apt update sudo apt install -y build-essential cmake libopenmpi-dev python3-dev python3-pip git libgl1-mesa-glx ``` #### 2. 配置 CUDA 和 cuDNN - **CUDA 10.2 安装**（以 10.2 为例）： ```bash wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run sudo sh cuda_10.2.89_440.33.01_linux.run ``` - **配置环境变量**（添加到 `~/.bashrc`）： ```bash export PATH=/usr/local/cuda-10.2/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH ``` - **安装 cuDNN**（需从 NVIDIA 官网下载对应版本） #### 3. 创建 Python 虚拟环境 ```bash python3 -m venv pointnet2_env source pointnet2_env/bin/activate ``` #### 4. 安装 PyTorch 和依赖 ```bash pip install torch==1.8.0+cu102 torchvision==0.9.0+cu102 -f https://download.pytorch.org/whl/torch_stable.html pip install tqdm scikit-learn open3d matplotlib ``` #### 5. 安装 PointNet++ ```bash git clone https://github.com/daveredrum/Pointnet2.ScanNet.git cd Pointnet2.ScanNet/pointnet2_ops_lib python setup.py install # 编译 CUDA 扩展 ``` #### 6. 验证安装 ```python # test_install.py import torch from pointnet2_ops import pointnet2_utils print("PyTorch版本:", torch.__version__) print("CUDA可用:", torch.cuda.is_available()) print("PointNet++模块加载成功") ``` 运行：`python test_install.py` --- ### 运行示例（ScanNet 语义分割） ```bash cd Pointnet2.ScanNet # 下载预训练模型和数据集 wget https://example.com/pretrained.pth # 替换为实际模型链接 wget https://example.com/scannet.zip # 替换为数据集链接 # 运行推理 python eval.py --model_path pretrained.pth --data_path scannet/ ``` --- ### 常见问题解决 1. **CUDA 扩展编译失败**： - 确保 `gcc` 版本 ≤ 9（可通过 `sudo apt install gcc-8` 降级） - 检查 CUDA 路径：`export CUDA_HOME=/usr/local/cuda-10.2` 2. **依赖冲突**： - 使用 `conda` 替代 `pip` 管理环境： ```bash conda create -n pointnet2 python=3.8 conda install pytorch==1.8.0 torchvision cudatoolkit=10.2 -c pytorch ``` 3. **缺少库文件**： ```bash sudo apt install libopenblas-dev libomp-dev ``` --- ### 性能优化建议 1. 使用 `torch.compile()` 加速模型（PyTorch 2.0+） 2. 启用混合精度训练： ```python from torch.cuda.amp import autocast with autocast(): outputs = model(inputs) ``` 3. 使用 [Open3D](http://www.open3d.org/) 进行点云数据预处理加速
评论 19
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值