Advertisement

PointNet2_PyTorch: PointNet++的PyTorch实现版本

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：PointNet2_PyTorch是PointNet++的PyTorch版实现，适用于点云理解任务，支持多种数据集与模型架构，便于研究和开发。 Pointnet2/Pointnet++ PyTorch 项目状态：未维护。由于时间有限，我没有更新此代码的计划，并且不会响应问题。 该项目是用 PyTorch 编写的 Pointnet2/Pointnet++ 版本，支持多 GPU 使用和 PyTorch 版本 >= 1.0.0 的环境。对于旧版本的 PyTorch 支持，请参考官方发布的模型定义和超参数（在 tensorflow 中）。 注意：Pointnet++ 所使用的自定义操作目前仅在使用 CUDA 的 GPU 上受支持。该项目已通过 Python {3.6, 3.7} 版本进行测试，安装依赖项时请运行 `pip install -r requirements.txt` 命令，并且该 repo 已经用 PyTorch {1.4, 1.5} 进行了测试。它可能适用于比 1.5 更新的版本，但这不能保证。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • PointNet2_PyTorch: PointNet++的PyTorch实现版本
    优质
    简介：PointNet2_PyTorch是PointNet++的PyTorch版实现，适用于点云理解任务，支持多种数据集与模型架构，便于研究和开发。 Pointnet2/Pointnet++ PyTorch 项目状态：未维护。由于时间有限，我没有更新此代码的计划，并且不会响应问题。 该项目是用 PyTorch 编写的 Pointnet2/Pointnet++ 版本，支持多 GPU 使用和 PyTorch 版本 >= 1.0.0 的环境。对于旧版本的 PyTorch 支持，请参考官方发布的模型定义和超参数（在 tensorflow 中）。 注意：Pointnet++ 所使用的自定义操作目前仅在使用 CUDA 的 GPU 上受支持。该项目已通过 Python {3.6, 3.7} 版本进行测试，安装依赖项时请运行 `pip install -r requirements.txt` 命令，并且该 repo 已经用 PyTorch {1.4, 1.5} 进行了测试。它可能适用于比 1.5 更新的版本，但这不能保证。
     
  • PointNet与PointNet++的Pytorch实现
    优质
    本项目提供PointNet和PointNet++在PyTorch框架下的完整实现，适用于点云数据的分类、语义分割等任务。 更新如下： 2021/03/27： （1）发布语义分割的预训练模型，其中PointNet++可以达到53.5%的mIoU。 （2）发布用于分类和部分分割任务的预训练模型。 2021/03/20： 更新了分类代码，包括以下内容： （1）添加了用于ModelNet10数据集训练的代码。使用--num_category 10参数进行设置。 （2）增加了仅在 CPU 上运行的选项。通过使用--use_cpu 参数启用此功能。 （3）加入了离线数据预处理代码以加速训练过程，可以通过使用 --process_data 参数来激活该功能。 （4）添加了用于均匀采样训练的数据增强方法。利用--use_uniform_sample参数实现。 2019/11/26： （1）修复了一些先前版本中存在的错误，并引入了数据增强技巧。现在仅用1024点即可达到92.8%的准确率。 （2）添加了测试代码，包括分类和分割任务以及可视化语义分割结果的功能。 （3）将所有模型整理到./models文件夹中，方便用户使用。
     
  • PointNet_pytorch_PointNet的PyTorch实现.zip
    优质
    本资源提供了一个用PyTorch框架实现的PointNet代码库，适用于点云数据处理与分类任务。包含模型训练、测试及预处理脚本。 PointNet.pytorch 是 PointNet (https://arxiv.org/abs/1612.00593) 在 PyTorch 中的实现。模型代码位于 pointnet.py 文件中。下载数据并运行 bash 脚本即可使用。
     
  • PointNet2.PyTorch：基于PyTorch的更快PointNet++实现
    优质
    PointNet2.PyTorch是基于PyTorch框架的一个更快速、高效的PointNet++实现版本，适用于点云处理任务。 Pointnet2.PyTorch 是基于 PyTorch 的实现，并通过重新编写 CUDA 操作使其比原始代码更快。 安装要求： - Linux（已在 Ubuntu 14.04 / 16.04 上测试） - Python 3.6+ - PyTorch 1.0 安装方法：运行以下命令来安装此库。 ``` cd pointnet2 python setup.py install cd ../ ``` 示例： 这里提供了一个简单的例子，展示如何在 KITTI Outdoor 前景点云分割任务中使用这个库。有关任务描述和前景标签生成的详细信息，请参考相关论文。 下载训练数据后，文件应按照以下方式组织： Pointnet2.PyTorch ├── pointnet2 ├── tools │ ├── data │ │ ├── KITTI │ │ │ ├── ImageSets
     
  • PyTorch版PointNet++代码
    优质
    本项目提供了基于PyTorch框架实现的PointNet++源码，适用于点云数据处理任务，包含分类和语义分割功能。 @article{Pytorch_Pointnet_Pointnet2, Author = {Xu Yan}, Title = {Pointnet/Pointnet++ Pytorch}, Journal = {https://github.com/yanx27/Pointnet_Pointnet2_pytorch}, Year = {2019}} 重写后的内容如下： @article{Pytorch_Pointnet_Pointnet2, Author = {Xu Yan}, Title = {Pointnet/Pointnet++ Pytorch}, Journal = {}, Year = {2019}}
     
  • PointNet2/PointNet++的PyTorch实现- Python项目开发
    优质
    本Python项目提供PointNet2（又称PointNet++）的PyTorch实现，适用于点云数据处理和机器学习任务，助力深度学习研究与应用开发。 用PyTorch编写的Pointnet2/Pointnet++的实现支持多GPU，并通过nn.DataParallel进行扩展。该版本适用于PyTorch 1.0及以上版本。对于较旧版本，可以参考v1.0分支中的代码。正式的模型定义和超参数可以在charlesq34/pointnet2仓库中找到（以tensorflow格式）。使用CUDA的GPU当前仅支持Pointnet++使用的自定义操作。 安装环境：已通过Python 3.6 和 Python 3.7 测试过此仓库。
     
  • PointNet-Pytorch模型
    优质
    PointNet-Pytorch模型是一款基于PyTorch框架实现的深度学习点云处理工具，它能够直接从原始点云数据中提取特征，适用于分类、语义分割等多种任务。 PointNet-PyTorch 是 PyTorch 中 PointNet 的实现。分类数据集为 ModelNet10。下载脚本是 sh modelnet_data_download.sh，训练脚本为 python train_cls.py。 相关论文链接：PointNet: https://arxiv.org/pdf/1612.00593.pdf（arxiv） 3D ShapeNets
     
  • AnimeGANv2-PyTorch: AnimeGANv2的PyTorch版本实现
    优质
    AnimeGANv2-PyTorch是基于PyTorch框架实现的AnimeGANv2代码库，用于将照片风格转换成日式漫画风格，提供模型训练和预处理工具。 PyTorch实现 从原始存储库转换权重（需要TensorFlow 1.x） ``` git clone https://github.com/TachibanaYoshino/AnimeGANv2 python convert_weights.py ``` 推理： ``` python test.py --input_dir [image_folder_path] --device [cpu/cuda] ``` 这是经过转换的模型的结果样式（从左到右：输入图像，原始TensorFlow结果，PyTorch结果）。 脸部模型是从带有L2 + VGG + GAN损失和CelebA-HQ图像中提取出来的。有关推断，请参见test_faces.ipynb文件。 注意：不包含训练代码，在RTX3090 + PyTorch1.7.1上进行了测试，由于转换后的权重结果略有不同。
     
  • TransGAN-PyTorch: [WIP] PyTorch版本的TransGAN实现
    优质
    TransGAN-PyTorch是一个正在开发中的项目，致力于提供一个基于PyTorch框架的TransGAN实现。此代码库旨在为研究者和开发者提供灵活且高效的生成对抗网络实验环境。 TransGAN-PyTorch 是 PyTorch 实现的 TransGAN 论文原始文件。安装方法是通过 pip 安装软件包： ``` pip install transgan-pytorch ``` 使用时，需要导入 torch 和 TransGAN 模块，并实例化一个 TransGAN 对象。代码示例如下： ```python import torch from transgan_pytorch import TransGAN tgan = TransGAN(...) z = torch.rand(100) # 随机噪声 pred = tgan(z) ```
     
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。