内容概要： 基于PointNet2的个性化点云数据集分类预测是一个使用深度学习的计算机视觉任务。它涉及将个性化的点云数据集分为不同的类别，例如汽车、人或建筑物等。 适用人群： 本项目适用于对深度学习、点云处理和分类预测感兴趣的计算机科学、人工智能研究人员以及学生。 使用场景及目标： 点云数据处理：根据具体的应用场景，可以通过数据清洗、处理和预处理等方式准备点云数据集。 PointNet2模型构建：使用PointNet2或相似的架构来构建深度学习模型，用于对点云数据进行特征提取和分类。 模型训练与验证：划分数据集为训练集和测试集，使用训练集对模型进行训练，并在测试集上验证模型的性能和准确率。 类别预测：使用已训练的模型对新的个性化点云数据进行分类预测。 其他说明： 该项目可能涉及深度学习框架（如TensorFlow、PyTorch等）和相应的库，您需要安装所需的依赖项。 项目实施过程中，可能需要对模型架构、数据预处理方法、损失函数和优化器等进行调整和优化。 数据集的选择和准备对于模型的训练和性能非常重要。一个好的数据集应包含多样性和代表性的样本。

PointNet2用于3D点云的语义分割 马蒂厄·奥罕（Mathieu Orhan）和纪尧姆·迪基瑟（Guillaume Dekeyser）着（巴黎桥和歌剧院，2018年，巴黎）。 介绍 这个项目是PointNet2的学生分支，由斯坦福大学的Charles R. Qi，Li（Eric）Yi，Hao Su，Leonidas J. Guibas提供。 有关详细信息，您可以参考原始的PointNet2论文和代码（ ）。 该分支专注于语义分割，目的是比较三个数据集：Scannet，Semantic-8和Bertrand Le Sa​​ux空中LIDAR数据集。 为此，我们清理，记录，重构和改进原始项目。 稍后，我们将把相同的数据集与另一个最新的语义分割项目SnapNet进行比较。 相关性和数据 我们使用3 GTX Titan Black和GTX Titan X在Ubuntu 16.04上工作。

Pointnet2.PyTorch修正版，适配高版本pytorch

更新 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) 发布预训练模型用于分类和部分分割log/。 2021/03/20：更新分类代码，包括： (1) 添加训练ModelNet10数据集的代码。使用--num_category 10. (2) 添加仅在 CPU 上运行的代码。使用--use_cpu. (3) 增加离线数据预处理代码，加速训练。使用--process_data. (4) 添加用于均匀采样训练的代码。使用--use_uniform_sample. 2019/11/26: (1) 修复了之前代码中的一些错误并增加了数据增强技巧。现在只用1024分就可以达到92.8%！ (2) 增加了测试代码，包括分类和分割，以及可视化的语义分割。 (3) 将所有模型整理成./models文件，方便使用。

PointNet++ 源码有批注

PointNet和PointNet ++的Pytorch实现 此是和的实现。 更新 2021/03/27： （1）发布预训练的语义分割模型，其中PointNet ++可以达到53.5％的mIoU。 （2）在log/发布用于分类和零件细分的预训练模型。 2021/03/20：更新分类代码，包括： （1）添加用于训练ModelNet10数据集的代码。 使用--num_category 10设置。 （2）添加仅在CPU上运行的代码。 使用--use_cpu设置。 （3）添加用于离线数据预处理的代码，以加快培训速度。 使用--process_data设置。 （4）添加用于统一采样的训练代码。 使用--use_uniform_sample设置。 2019/11/26： （1）修复了先前代码中的一些错误，并添加了数据增强技巧。 现在仅按1024点分类就可以达到92.8％ ！ （2）

使用Open3D和PointNet ++进行Semantic3D语义分割 介绍 使用和PointNet ++进行Semantic3D（semantic-8）分割的演示项目。 该项目的目的是展示Open3D在深度学习管道中的用法，并为Semantic3D数据集上的语义分段提供一个干净的基线实现。 这是语义8测试基准页面上的。 是一个开放源代码库，支持快速开发处理3D数据的软件。 Open3D前端使用C ++和Python公开了一组精心选择的数据结构和算法。 后端经过高度优化，并设置为并行化。 我们欢迎开源社区的贡献。 在此项目中，Open3D用于 点云数据的加载，编写和可视化。 Open3D

用PyTorch编写的Pointnet2 / Pointnet ++的实现。 Pointnet2 / Pointnet ++ PyTorch用PyTorch编写的Pointnet2 / Pointnet ++的实现。 通过nn.DataParallel支持多GPU。 支持PyTorch版本> = 1.0.0。 使用v1.0支持较旧版本的PyTorch。 有关正式的模型定义和超参数，请参见本文的官方代码发布（以tensorflow格式），charlesq34 / pointnet2。 使用CUDA的GPU当前仅支持Pointnet ++使用的自定义操作。 设置安装python-此仓库已通过{3.6，3.7}进行了测试

Pointnet2.PyTorch 基于的的PyTorch实现。 通过重新实现CUDA操作，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 通过运行以下命令来安装此库： cd pointnet2 python setup.py install cd ../ 例子 在这里，我提供了一个简单的示例，用于在KITTI Ourdoor前景点云分割任务中使用此库，有关任务描述和前景标签生成的详细信息，请参考论文 。 从网站下载训练数据，以下方式组织下载的文件： Pointnet2.PyTorch ├── pointnet2 ├── tools │ ├──data │ │ ├── KITTI │ │ │ ├── ImageSets │ │ │ ├── obj

基于CUDA10.0，Tensorflow1.14，显卡是RTX2060s，可能库的版本不对大家也用不了，我把主要的cmake也放上去了，遇到问题可以参考下https://blog.csdn.net/qq_41986166/article/details/112495204