省流：
（1）不管是Linux还是Windows都不影响，只要有pycharm或者vscode即可，啥系统都行。
（2）此外由于自己的需求，所以只做物体部件分割（partseg）任务，没有复现分类（classification）和语义分割（semseg）。
（3）文章包括：建立标注自己的数据集、数据集按格式放到pointnet工程、代码修改、报错修改
（4）博主只是按照自己的数据集复现原本网络的train和test，即跑完一个完整的步骤。至于用自己训练好的模型去检测自己的点云文本，之后再实现可视化和保存检测结果，这个问题博主还有待解决。
背景：自建了一个轮胎表面的点云，需要用pointnet++网络分出轮胎的 槽顶 和 槽底。（自己采的点云，精度不是很高，见笑了）。
所以就是1个物体（即轮胎）2个部件（即槽底 和 槽顶）。记住这个数字，后面数据集标注和改代码会用到。
一、标注数据集
软件：CloudCompare
标注方法：如何利用CloudCompare软件进行点云数据标注
注意：原文中那个：SF name是一样的，即是luntai（一个物体），但是value的值是不一样的，即槽底设置是0，槽顶设置是1（来两个部件）。
标注完后：
得到其中一个txt文本：我们没有用向量信息，所以就是 x y z位置信息和类别。
注意： cloudCompare生成了的txt文件，最后面会有一个空行，我不知道训练时有没有影响，我是删掉了！！！！！！。
二、下载源码
链接：https://github.com/yanx27/Pointnet_Pointnet2_pytorch
三、添加自己的数据集
3.1知识准备——要看！！建议下载shapenet数据集体会一下
自己用得到的功能是部件分割即partseg，所以得参考原作者用的ShapeNet数据集的格式。
格式介绍：点云数据集ShapeNet
ShapeNet数据集百度网盘下载： 百度网盘【提取码:evqi】
百度网盘来源：【三维视觉】【深度学习】ubuntu18.04下PointNet官方代码Pytorch实现
3.2添加自己的数据集
在自己的源码工程下新建 data 文件夹，在其下新建shapenetcore_partanno_segmentation_benchmark_v0_normal文件夹，之后在建立以下三个文件，因为自己是一个物体即luntai，所以就只有一个自己起的编号（01234567）。
（1）01234567：0-35，一共36个轮胎的点云
（2）synsetoffset2category.txt：对应好即可，注意两者之间是tab键还是空格。我是从ShapeNet数据集直接改的，所以不太清楚。
（3）train_test_split文件夹：指定自己的36个点云文件，哪些点云是用于训练（train）、那些用于测试（test）、那些用于验证（val）。
三个json文件里面的名字、路径对应上就好，不用加.txt且前面的shape_data要加上并且01234567在多个物体时要记得修改。
（4）最后在pycharm的工程上看到：
四、修改代码
由于原本的partseg代码用的是16种物体共50个部件，咱们是1个物体2个部件，所以有些张量的维度得改。
参考：Pointnet++内Partseg分割网络训练自己的数据集
4.1 改train_partseg.py：
（1）
（2）
4.2 改test_partseg.py：
（1）
（2）
4.3pointnet2_part_seg_msg.py（你若用这个模型，就改动，用别的模型就改别的）
（1）
（2）
（3）
五、运行train_partseg.py
若习惯终端命令，可以从pycharm运行终端，并进入该工程的文件夹
5.1运行train_partseg.py
第一种方法：命令行传参
python train_partseg.py --model pointnet2_part_seg_msg --log_dir pointnet2_part_seg_msg
（1）–model pointnet2_part_seg_msg 是指定模型为pointnet2_part_seg_msg，模型名字可以看工程文件的models文件夹有哪些模型
（2）由于咱们自己的txt文件没有向量信息，所以命令行没加 --normal
（3）–log_dir pointnet2_part_seg_msg是指定训练后的数据保存在log/part_srg下那个文件夹。若是指定就是保存到 后面名字指定的文件夹，没指定就是按时间来命名。如下图
第二种方法：直接运行.py文件，但是要设置好默认值（default）
5.2运行出现的问题
（1）问题1：torch.OutOfMemoryError: CUDA out of memory.
（2）解决：减小上图中的批量大小（batch size） 或者 不要再自己笔记本上跑，在具有好的深度学习条件的电脑上跑。我是换成了更好的台式电脑。
（3）参考：torch.OutOfMemoryError: CUDA out of memory
六、运行test_partseg.py
6.1运行test_partseg.py
可以看到相比于train_partseg.py参数设置还有有点不同
法一：终端命令行来进行。
此外，同样咱们的txt是没有向量信息，所以也不带–normal
python test_partseg.py --log_dir pointnet2_part_seg_msg
或者日期的文件夹
python test_partseg.py --log_dir 2024-12-05_20-22
法2：pycharm点击运行
把required改成 default。后面带文件夹
6.2运行出现问题
（1）问题1：RuntimeError: Error(s) in loading state_dict for model
原因：代码参数值与模型训练时的参数值不一致导致异常信息
解决：看看那些默认值，train和test有些参数是否一样 或者 训练train时存放的log里的文件夹和这里测试test时读取的是否是一个，我的就是单击pycharm运行按钮导致train存放在日期文件夹下，test在终端输入，目录读取pointnet2_part_seg_msg文件夹，不一致，所以命令换成读取相应日期文件就好。
（2）问题2：numpy‘ has no attribute ‘float‘
原因：numpy‘ has no attribute ‘float
解决方法1：降低numpy版本
快捷安装方法：
点击pycharm右下方解释器，再点击解释器设置：
+是下载，还可以选择版本，选1.25.3
-是卸载
解决方法2：参考PyTorch复现PointNet++——模型训练+模型测试，里面有一种方法说把代码中的报错部分改为np.float64。
np.array(total_correct_class) / np.array(total_seen_class, dtype=np.float64))。这里用了老哥的图贴一下。
（3）问题3：RuntimeError: GET was unable to find an engine to execute this computation
解决方法1：先按此链接试试，如果都没问题，都能正常打印再参考此篇知乎评论区
在test_partseg.py前面 加上torch.backends.cudnn.enabled = False（亲测有效）
解决方法2：我看过有帖子说换成cpu就行，我没试过！！！！若用cpu跑。就把那个使用GPU的参数设置为使用cpu。
我没试过！！
