尝试基于云服务器进行randla-net的点云分割

基于源码的RandLA-Net（走不通，省时间的话建议跳转到下面基于TensorFlow2.X的标题）

一、租赁云服务器

这一步就注意选用的python3.7.10，兼容性好

 二、环境配置

1、载入数据集，有两个：1.RandLA-Net源码  2.S3DIS数据集

 注意：每个人的数据代码不同，需要找到自己的代码

2、下载相关的包

注意：由于源码用的是python3.5，它的helper_requirements.txt里面的包已经与python3.7不适配了。所以我们要进行替换，步骤如下：

1.打开helper_requirements.txt

2.将里面的内容用

numpy==1.19.5
h5py==3.1.0
cython==0.29.36
open3d==0.13.0  
pandas==1.3.5
scikit-learn==0.24.2
scipy==1.6.3
PyYAML==5.4.1

予以替换。注：这些包是我找到的适配python3.7.10的包，可以放心用。

3. cd到RandLA-Net路径下

cd data/RandLA-Net     

安装并下载包：pip install -r helper_requirements.txt

 

 4. 进行编译            sh compile_op.sh

 报错，寻找解决方法。。。。。。。

解决方法：cd到各个目录下，直接执行

 

 三、执行代码

1. 修改main_S3DIS.py中的self.path路径，把self.path = '/data/S3DIS'中的/去掉，即

self.name = 'S3DIS'
self.path = 'data/S3DIS'

 

2. 修改  data_prepare_s3dis.py   中的  

dataset_path = '/data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version'

为dataset_path = 'data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version'

都是把 / 去掉

 

3.在RandLA-Net目录中，新建data/S3DIS，将数据集放入其中

即data/RandLA-Net/data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version

4. 组织数据：

python utils/data_prepare_s3dis.py

 5.开始训练：

python -B main_S3DIS.py --gpu 0 --mode test --test_area 1

报错：

 原因分析，源代码是基于TensorFlow1.X编写的，与服务器的TensorFlow2.X不兼容。

解决方法：降级到TensorFlow1.X，经过查询，TensorFlow1.15.0可以使用。

降级：pip install tensorflow==1.15.0   

问题解决不了，原因是源代码是基于TensorFlow1.X编写的，与服务器的TensorFlow2.X不兼容。但是找到了基于TensorFlow2.x的代码，参考学习一下

---

 

基于TensorFlow2.6的RandLA-Net：

https://github.com/luckyluckydadada/randla-net-tf2.git

luckyluckydadada/randla-net-tf2: Python 3.6, Tensorflow 2.6, CUDA 11.4 and cudnn in RTX 3090

在这里非常非常感谢代码提供者@Lucky Li ！！！

一、数据编辑

由于我的S3DIS数据集在area5和area6有问题，所以我只训练area1-area4

进入randla-net-tf2-main/utils/meta/anno_paths.txt

删去area5和area6

二、环境配置

1.下载相关的包

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple cython==0.29.15
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple open3d==0.13.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple open3d-python==0.3.0

pip install -r helper_requirements.txt   (这个记得先cd进randla-net目录再运行)

 

helper_requirements.txt：（里面的内容）

numpy
h5py==2.10.0
cython==0.29.15
open3d-python==0.3.0
pandas
scikit-learn==0.21.3
scipy
PyYAML

 

2.编译sh
sh compile_op.sh

 

三、执行

1.数据预处理

python utils/data_prepare_s3dis.py

预处理完成

2.数据训练

python -B main_S3DIS.py --gpu 0 --mode train --test_area 1

 报错，原因：爆显存了

解决方法：

将 batch_size=6 改为 batch_size=4；将 train_steps=500 改为 train_steps=750

成功开始训练！！！

 -----------------------------------------------------分割线------------------------------------------------------

作为入门的深度学习新手，我相信大家常常为没有一块好的显卡来进行训练而发愁，而大多数实验室又很难满足需求（主要是经费不足QAQ）。

在这里我推荐Featurize！！！

之前各大平台的云服务器也多多少少用过，主要存在以下问题：

1.炼丹环境要自己配

2.价格比较昂贵

3.上传的数据集没有办法保存，每次炼丹都要重新上传

而这些问题在Featurize里都得到解决，环境已经帮我们配置好了，数据集和代码可以存在云盘里，价格有多种可选，有时还有活动。

噢，还有我个人觉得最重要的一点：Featurize界面非常简洁干净，这是很多厂商做不到的一件事。

如果有心动的伙伴可以点击下面的链接，这是我的邀请码，有感兴趣的兄弟可以试试。

https://featurize.cn?s=db3ee1bf052c476bb2c7288f12963cb8

------------------------------------------------------------------------------------------------------------------------

 训练结果：

最好的精度 Iou：61.233

达到要求！

 

踩坑：

若要进行可视化，在服务器上是不行的，需要在本地进行部署，所以打算重新进行训练。

下一篇博客将是基于Windows11系统的 RandLA-Net点云分割。(因为硬盘空间不够，不能安装Ubuntu系统了QAQ)

目标是实现分割结果可视化。