1. BRNET 的环境配置

工程链接：https:///cheng052/BRNet

改工程是基于MMDetection3D的框架下实现的，所以在配置环境时，需要先安装MMDetection3D相关的内容。
先明确BRnet 使用 MMDetection3D的版本，

python 生成点云图_pytorch

配置环境的教程链接：https:///cheng052/BRNet/blob/master/docs/getting_started.md

 

python 生成点云图_python_02


链接下有详细的 Installation说明。安装的方式如下：


  • 1. 使用anoconda安装虚拟环境 conda create -n brnet_env python=3.7 -y conda activate brnet_env
  • 2. 安装pytorch和torchvision，这里选择的版本如下： conda install pytorch==1.5.0 cudatoolkit=10.2 torchvision==0.6.0 -c pytorch 这里需要注意： 1. 可以将安装命令中的 "-c pytorch"去掉，安装时使用的源不一样，安装速度会变快。但自己在本地安装时，去掉"-c pytorch"成功安装了gpu版本，但在服务器上安装的是cpu版本。这里注意一下 2. 该工程会要求 系统环境中安装并使用的cuda版本 与虚拟环境中安装的cudatoolkit的版本相一致。同时与pytorch版本是兼容的。 在工程编译时，会使用到cuda的编译器nvcc，单纯的安装cudatoolkit（无对应的nvcc）是不行的，所以用的是系统环境中的nvcc。
  • 3. 安装MMCV

官方提供的命令如下： pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu102/torch1.5.0/index.html

  • 4. 安装 MMDetection

安装命令：pip install mmdet==2.11.0 官方提供的命令如下，但不推荐： pip install git+https:///open-mmlab/mmdetection.git 这样安装的版本不符合版本要求，也可以使用源码编译合适的版本 git clone https:///open-mmlab/mmdetection.git cd mmdetection pip install -r requirements/build.txt pip install -v -e . # or "python setup.py develop"

  • 5. 安装 MMDetection3D 这里需要注意一下，对于原生的MMDetection3D的安装和编译，是去MMDetection3D官网上下载源码，然后 cd mmdetection3d pip install -v -e . # or "python setup.py develop" 对于 BRNET工程，不需要安装官方的MMDetection3D。而是将 BRNet工程下载下来，在工程根目录运行 pip install -v -e . # or "python setup.py develop" 我们可以发现MMDetection3D的源码工程和BRNet工程，内部文件结构是相似的。其实BRNet就是按照MMDetection3D的源码格式实现的。所以这里是在BRNet的工程内，进行编译，将该工程安装到当前使用的虚拟环境中。也就是说，一个虚拟环境一个BRNet工程。 因此需要注意的是，如果将该工程拷贝一份，在拷贝分的工程里修改代码运行，这是无效的。 如果想同时修改两个版本的BRNet，并独立运行应该怎么做呢？ 1. 重新创建虚拟环境，按照如上流程重新安装一遍，在一个新的brnet工程中 2. 将虚拟环境 brnet_env 拷贝一份并重新命名如 brnet_env2 并激活，获取新的brnet工程 命名为brnet2，并在目录下运行 python setup.py develop，将brnet2安装到brnet_env2中，就可独立使用。 这里需要注意的是，拷贝的虚拟环境中，pip无法使用，需要安装环境，使用conda install即可。

2. 工程效果测试

在工程根目录下运行


CUDA_VISIBLE_DEVICES=0 python demo/pcd_demo.py demo/sunrgbd_000094.bin demo/brnet_8x1_sunrgbd-3d-10class.py checkpoints/brnet_8x1_sunrgbd-3d-10class_trained.pth 运行测试结果，为了看起来更客观，展示的时候将原点云删去了部分，结果如下

python 生成点云图_python 生成点云图_03


3. 训练数据的准备

该工程中使用了两种3D数据集进行训练：SUNRGBD、SCANNET

3.1 SUNRGBD 数据集的准备

1. 在【Index of /data】中，下载 SUNRGBD v2 数据集。然后在brnet工程中的【./data/sunrgbd/】路径下创建文件夹【OFFICIAL_SUNRGBD】，将下载的数据 SUNRGBD.zip、SUNRGBDMeta2DBB_v2.mat、SUNRGBDMeta3DBB_v2.mat 和 SUNRGBDtoolbox.zip 移动到 OFFICIAL_SUNRGBD 文件夹，并解压zip文件

2. 进入文件夹【matlab】，运行脚本来提取点云和标注信息
matlab -nosplash -nodesktop -r 'extract_split;quit;'
matlab -nosplash -nodesktop -r 'extract_rgbd_data_v2;quit;'
matlab -nosplash -nodesktop -r 'extract_rgbd_data_v1;quit;'

3. 回到工程根路径，运行脚本来生成训练的数据
python tools/create_data.py sunrgbd --root-path ./data/sunrgbd --out-dir ./data/sunrgbd --extra-tag sunrgbd

预处理后的目录结构如下：
------------------------------------
sunrgbd
├── README.md
├── matlab
│   ├── extract_rgbd_data_v1.m
│   ├── extract_rgbd_data_v2.m
│   ├── extract_split.m
├── OFFICIAL_SUNRGBD
│   ├── SUNRGBD
│   ├── SUNRGBDMeta2DBB_v2.mat
│   ├── SUNRGBDMeta3DBB_v2.mat
│   ├── SUNRGBDtoolbox
├── sunrgbd_trainval
│   ├── calib
│   ├── image
│   ├── label_v1
│   ├── train_data_idx.txt
│   ├── depth
│   ├── label
│   ├── seg_label
│   ├── val_data_idx.txt
├── points
├── sunrgbd_infos_train.pkl
├── sunrgbd_infos_val.pkl

3.2 SCANNET的数据预处理

1. 在官方github链接上【GitHub - ScanNet/ScanNet】，介绍了scannet数据集以及数据集的下载方式。然后将下载的文件夹【scans】链接或移动到brnet工程中的【./data/scannet/】路径下

2. 在该路径下，运行脚本来提取点云和相应的标注信息
python batch_load_scannet_data.py

3. 回到根目录，运行脚本生成训练数据
python tools/create_data.py scannet --root-path ./data/scannet --out-dir ./data/scannet --extra-tag scannet

预处理后的目录结构如下： 
------------------------------------
scannet
├── scannet_utils.py
├── batch_load_scannet_data.py
├── load_scannet_data.py
├── scannet_utils.py
├── README.md
├── scans
├── scannet_train_instance_data
├── points
│   ├── xxxxx.bin
├── instance_mask
│   ├── xxxxx.bin
├── semantic_mask
│   ├── xxxxx.bin
├── scannet_infos_train.pkl
├── scannet_infos_val.pkl


4. 神经网络的训练

1. scannet数据集的训练
CUDA_VISIBLE_DEVICES=0 python tools/train.py configs/brnet/brnet_8x1_scannet-3d-18class.py --seed 42

2. SUN RGB-D数据集的训练
CUDA_VISIBLE_DEVICES=0 python tools/train.py configs/brnet/brnet_8x1_sunrgbd-3d-10class.py --seed 42

个人训练了SUNRGBD数据集，训练的结果指标与工程提供的指标基本一致。说明该论文是篇质量ok的论文，值得学习