目录
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://xn--gzu811i//pan.baidu.com/s/18EGnGho_NXdI4-dhMyM6AA%20%E6%8F%90%E5%8F%96%E7%A0%81:%20ia2n下载完代码如下：
2.数据集下载
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：
?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：
?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：
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：
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：
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！！！
