PointNet++训练自定义数据集教程：从零开始实现点云语义分割

PointNet++训练自定义数据集教程：从零开始实现点云语义分割

(深度学习3D点云语义分割实战指南)

文章关键词：PointNet++语义分割、3D点云训练、自定义数据集、语义分割模型开发

一、前言

PointNet++ 是点云处理领域的经典深度学习模型，通过多级特征提取（Set Abstraction）解决了点云分布不均的问题。在工业缺陷检测、室内场景理解等领域，通过训练自定义数据集来实现语义分割模型（SemSeg）是核心需求。本文将手把手带你完成这一过程。

二、准备自定义数据集

大多数 PointNet++ 源码（如基于 PyTorch 的实现）默认使用 S3DIS 数据集格式。要训练自己的数据，建议将数据转换为以下格式：

• 原始数据：保存为 .txt 或 .npy 文件。
• 坐标信息：每个点包含 X, Y, Z, R, G, B。
• 标签信息：每个点对应一个整数 Label（从0开始）。

例如，一行数据为：1.25 2.33 0.50 255 0 0 1（表示一个红色的点，类别为1）。

三、修改 DataLoader 加载逻辑

在 data_utils/DataLoader.py 中，你需要创建一个新的类来读取你的文件。小白用户最简单的方法是模仿 S3DISDataset 类：

# 核心逻辑伪代码def __getitem__(self, index):    point_set = self.file_list[index][:, 0:6] # 获取XYZRGB    semantic_seg = self.file_list[index][:, 6] # 获取Label    return point_set, semantic_seg    

四、配置文件与超参数设置

在训练前，请务必修改配置文件中的 num_classes。如果你有5个类别，请确保参数设置正确。3D点云训练非常消耗计算资源，建议初始尝试时将 batch_size 设小一点（如 4 或 8）。

五、开始训练

在终端中执行以下命令启动训练：

python train_semseg.py --model pointnet2_sem_seg --log_dir my_custom_model

训练完成后，日志和权重文件将保存在 log/my_custom_model 目录下。

六、常见问题解答 (FAQ)

1. OOM (显存溢出)： 降低 --npoint (采样点数) 或 batch_size。

2. 准确率不上升： 检查标签是否从0开始连续排列，并归一化 XYZ 坐标。

通过以上步骤，你就可以成功在 PointNet++ 语义分割模型上跑通自己的数据集了。掌握了语义分割模型开发的基础，你可以进一步探索更复杂的三维视觉任务。