概述

简述

PointNet++使用多层次特征提取结构，先在输入点集中选择一些点作为中心点，然后围绕每个中心点选择周围的点组成一个区域，之后每个区域作为PointNet的一个输入样本，得到一组特征，这个特征就是这个区域的特征。之后中心点不变，扩大区域，把上一步得到的那些特征作为输入送入PointNet，以此类推，这个过程就是不断的提取局部特征，然后扩大局部范围，最后得到一组全局的特征，然后进行分类。

• 参考实现：

  url=https://github.com/yanx27/Pointnet_Pointnet2_pytorch
  commit_id=768cd018b73c5e358f7783fec32140f6a687b133

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/detection

准备训练环境

准备环境

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	-
  PyTorch 1.8	-

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型需要的依赖。

  pip install -r requirements.txt

准备数据集

1. 获取数据集。

   用户自行获取原始数据集，可选用的开源数据集包括modelnet40等，将数据集上传到服务器任意路径下并解压。

   以modelnet40数据集为例，数据集目录结构参考如下所示。

   ├── modelnet40
         ├──类别1
            │──txt1
            │──txt2
            │   ...
         ├──类别2
            │──txt1
            │──txt2
            │   ...
         ├──...
   
         ├──train.txt
   
         ├──test.txt

   说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称} 

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_full_1p.sh --data_path=/data/xxx/  # 单卡精度
     
     bash ./test/train_performance_1p.sh --data_path=/data/xxx/  # 单卡性能

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh --data_path=/data/xxx/  # 8卡精度
     
     bash ./test/train_performance_8p.sh --data_path=/data/xxx/  # 8卡性能

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   模型训练脚本参数说明如下。

   公共参数：
   --data                              //数据集路径
   --use_cpu                           //是否使用cpu训练
   --npu							    //使用的npu设备id
   --epoch                             //重复训练次数
   --batch_size                        //训练批次大小
   --learning_rate                     //初始学习率，默认：0.001
   --workers                           //加载的线程数
   --dist_backend                      //分布式后端

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_version
1p-竞品V	-	27.3	1	-	1.5
8p-竞品V	92.1	147.2	200	-	1.5
1p-NPU	-	12.295	1	O2	1.8
8p-NPU	91.670	60.527	200	O2	1.8

版本说明

变更

2023.03.02：更新readme，重新发布。

2022.06.08：首次发布。

FAQ

无。