PointNet描述

PointNet++模型诞生于2017年，是一种将PointNet递归地应用于输入点集的嵌套分区的分层神经网络。通过度量空间距离，PointNet能够随着上下文尺度的增加而学习局部特征。实验表明，PointNet++能够高效、稳健地学习深度点集特征。

论文：Qi, Charles R., et al. "Pointnet++: Deep hierarchical feature learning on point sets in a metric space." arXiv preprint arXiv:1706.02413 (2017).

模型架构

PointNet++由多级set abstraction组成。每级set abstraction中，通过对一组点云集的处理和抽象，生成一个带有局部特征的新点云集。set abstraction由三个关键层组成：采样层、组合层和PointNet层。采样层从输入的点云中选择一个点来作为局部区域的中心点。然后，分组层通过在中心点周围找到相邻点来构建局部区域集。PointNet层使用迷你PointNet模型对局部区域集进行局部特征提取。

数据集

使用的数据集：已对齐的ModelNet40

数据集大小：6.48G，每个点云包含2048个从形状表面均匀采样的点。每个点云都是零均值，并以球作为点云的单位。
- 训练集：5.18G，9843个点云
- 测试集：1.3G，2468个点云
数据格式：TXT
- 注：数据将在src/dataset.py中处理。

环境要求

硬件
- 使用Ascend处理器来搭建硬件环境。
框架
- MindSpore
更多关于Mindspore的信息，请查看以下资源：
- MindSpore教程
- MindSpore Python API

快速入门

通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：

# 运行单机训练
bash scripts/run_standalone_train.sh [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_standalone_train.sh modelnet40_normal_resampled save pointnet2.ckpt

# 运行分布式训练
bash scripts/run_distributed_train.sh [RANK_TABLE_FILE] [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_distributed_train.sh hccl_8p_01234567_127.0.0.1.json modelnet40_normal_resampled save pointnet2.ckpt

# 评估
bash scripts/run_eval.sh [DATA_PATH] [CKPT_NAME]
# 示例：
bash scripts/run_eval.sh modelnet40_normal_resampled pointnet2.ckpt

在GPU上训练模型

# 运行单机训练
bash scripts/run_standalone_train_gpu.sh [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_standalone_train_gpu.sh modelnet40_normal_resampled save pointnet2.ckpt

# 运行分布式训练
bash scripts/run_distributed_train_gpu.sh [DEVICE_NUM] [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_distributed_train_gpu.sh 8 modelnet40_normal_resampled save pointnet2.ckpt

# 评估
bash scripts/run_eval_gpu.sh [DATA_PATH] [CKPT_NAME]
# 示例：
bash scripts/run_eval_gpu.sh modelnet40_normal_resampled pointnet2.ckpt

脚本说明

脚本及样例代码

├── PointNet2
    ├── eval.py                             # 评估网络
    ├── export.py
    ├── README.md
    ├── README.md
    ├── scripts
    │   ├── run_distributed_train_gpu.sh    # 使用GPU进行分布式训练（8卡）
    │   ├── run_distributed_train.sh        # 使用Ascend进行分布式训练（8卡）
    │   ├── run_eval_gpu.sh                 # 使用GPU进行评估
    │   ├── run_eval.sh                     # 使用Ascend进行评估
    │   ├── run_standalone_train_gpu.sh     # 使用GPU进行单机训练（单卡）
    │   └── run_standalone_train.sh         # 使用Ascend进行单机训练（单卡）
    ├── src
    │   ├── callbacks.py                    # 自定义回调函数
    │   ├── dataset.py                      # 数据预处理
    │   ├── layers.py                       # 网络层初始化
    │   ├── lr_scheduler.py                 # 学习率调度器
    │   ├── pointnet2.py                    # 自定义网络
    │   ├── pointnet2_utils.py              # 自定义网络工具脚本
    │   ├── provider.py                     # 预处理用于训练的数据
    │
    │   ├── provider.py                     # 训练网络

脚本参数

train.py中主要的参数如下：
--batch_size        # 批处理大小
--epoch             # 总训练epochs数
--learning_rate     # 训练学习率
--optimizer         # 用于训练的优化器。可选值为Adam和SGD。
--data_path         # 训练和评估数据集路径
--loss_per_epoch    # 每轮训练的损失值
--save_dir          # 保存训练过程中生成的文件的路径
--use_normals       # 训练中是否使用法向量数据
--pretrained_ckpt   # 加载检查点文件的路径
--enable_modelarts         # 是否使用ModelArts

训练过程

训练

在Ascend上运行

# 运行单机训练
bash scripts/run_standalone_train.sh [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_standalone_train.sh modelnet40_normal_resampled save pointnet2.ckpt

# 运行分布式训练
bash scripts/run_distributed_train.sh [RANK_TABLE_FILE] [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_distributed_train.sh hccl_8p_01234567_127.0.0.1.json modelnet40_normal_resampled save pointnet2.ckpt

在GPU上运行

# 运行单机训练
bash scripts/run_standalone_train_gpu.sh [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_standalone_train_gpu.sh modelnet40_normal_resampled save pointnet2.ckpt

# 运行分布式训练
bash scripts/run_distributed_train_gpu.sh [DEVICE_NUM] [DATA_PATH] [SAVE_DIR] [PRETRAINDE_CKPT(optional)]
# 示例：
bash scripts/run_distributed_train_gpu.sh 8 modelnet40_normal_resampled save pointnet2.ckpt

训练后得到如下损失值：

# 训练日志
epoch: 1 step: 410, loss is 1.4731973
epoch time: 704454.051 ms, per step time: 1718.181 ms
epoch: 2 step: 410, loss is 1.0621885
epoch time: 471478.224 ms, per step time: 1149.947 ms
epoch: 3 step: 410, loss is 1.176581
epoch time: 471530.000 ms, per step time: 1150.073 ms
epoch: 4 step: 410, loss is 1.0118457
epoch time: 471498.514 ms, per step time: 1149.996 ms
epoch: 5 step: 410, loss is 0.47454038
epoch time: 471535.602 ms, per step time: 1150.087 ms
...

模型检查点将保存在SAVE_DIR目录中。

评估过程

评估

在运行以下命令之前，请检查用于评估的检查点路径。

在Ascend上运行

# 评估
bash scripts/run_eval.sh [DATA_PATH] [CKPT_NAME]
# 示例：
bash scripts/run_eval.sh modelnet40_normal_resampled pointnet2.ckpt

在GPU上运行

# 评估
bash scripts/run_eval_gpu.sh [DATA_PATH] [CKPT_NAME]
# 示例：
bash scripts/run_eval_gpu.sh modelnet40_normal_resampled pointnet2.ckpt

您可以通过文件eval.log查看结果。测试数据集的准确性如下：

# grep "Accuracy: " eval.log
'Accuracy': 0.916

模型说明

性能

训练性能

参数	Ascend	GPU
模型版本	PointNet++	PointNet++
资源	Ascend 910；CPU 24核；内存256G；EulerOS 2.8	RTX 3090；GPU内存24268MB；Ubuntu
上传日期	08/31/2021	12/20/2021
MindSpore版本	1.3.0	1.5.0rc1
数据集	ModelNet40	ModelNet40
训练参数	epoch=200, steps=82000, batch_size=24, lr=0.001	epoch=200, steps=82000, batch_size=24, lr=0.001
优化器	Adam	Adam
损失函数	NLLLoss	NLLLoss
输出	概率	概率
损失	0.01	0.01
速度	1.5秒/步（单卡）	390毫秒/步（单卡）
总时长	27.3小时（单卡）	8小时8分钟6秒（单卡）
微调检查点	17MB（.ckpt)	17MB（.ckpt)

推理性能

参数	Ascend	GPU
模型版本	PointNet++	PointNet++
资源	Ascend 910；CPU 24核；内存256G；EulerOS 2.8	RTX 3090；GPU内存24268MB；Ubuntu
上传日期	08/31/2021	12/20/2021
MindSpore版本	1.3.0	1.3.0
数据集	ModelNet40	ModelNet40
Batch_size	24	24
输出	概率	概率
准确率	91.5%（单卡）	91.42%（单卡）
总时长	2.5分钟	1.13分钟

随机情况说明

我们在dataset.py，provider.py和pointnet2_utils.py中设置了随机种子。

ModelZoo主页

请查看官方主页。

MindSpore/models

目录

PointNet描述

模型架构

数据集

环境要求

快速入门

脚本说明

脚本及样例代码

脚本参数

训练过程

训练

评估过程

评估

模型说明

性能

训练性能

推理性能

随机情况说明

ModelZoo主页

简介

发行版

贡献者

语言

近期动态

MindSpore/models .gitee-modal { width: 500px !important; }

目录

训练

评估

训练性能

推理性能

简介

发行版

开源评估指数源自 OSS-Compass 评估体系，评估体系围绕以下三个维度对项目展开评估：

贡献者

语言

近期动态

搜索帮助

MindSpore/models