Open3D-ML快速教程

Open3D-ML 是 3D 机器学习任务 Open3D 的扩展。它建立在 Open3D 核心库之上，并使用机器学习工具扩展 3D 数据处理。Open3D-ML侧重于语义点云细分等应用，并提供可应用于常见任务的预培训模型以及用于训练的管道。

Open3D-ML 与TensorFlow和PyTorch合作，轻松集成到现有项目中，还提供独立于 ML 框架（如数据可视化）的一般功能。

1、安装

Open3D-ML 集成在Python版本的Open3D v0.11 中。要使用所有的机器学习功能，你需要安装 PyTorch 或 TensorFlow。Open3D v0.11 与以下版本兼容

如果你需要使用不同的版本，我们建议从源码构建 Open3D。

我们提供预制的 pip 包，用于Ubuntu 18.04+ 的 Open3D-ML+，可以使用如下命令安装：

可以使用如下命令测试安装：

2、读取数据集

dataset命名空间包含了用于阅读常见数据集的类。在这里，我们阅读语义KITTI数据集并将其可视化。

3、运行预先训练的模型

在上一个示例的基础上，我们可以使用预先训练的语义分割模型对管道进行即时处理，并在数据集的点云上运行。请参阅model zoo获得预训练模型的权重。

4、训练模型

与推理类似，管道为在数据集上训练模型提供了接口。

有关更多示例，请参阅examples和scripts目录。

5、使用预定义的脚本

scripts/semseg.py为在数据集中培训和评估模型提供了一个容易的接口。它减少了定义特定模型和传递精确配置的麻烦。

python scripts/semseg.py {tf/torch} -c <path-to-config> –<extra args>

请注意，extra args的优先级高于配置文件中的相同参数。因此，在启动脚本时，你可以通过命令行而不是在配置文件中更改参数。

例如：

要获得进一步的帮助，请运行python scripts/semseg.py –help

6、存储库结构

Open3D-ML 的核心部分位于ml3d子目录中，该子目录集成到ml命名空间。除了核心部分外，exsamples和scripts目录中还提供支持脚本，以便设置训练管道或在数据集商运行 络。

7、语义分割任务

对于语义分割的任务，我们使用所有类的平均交叉合并 （mIoU） 来衡量不同方法的性能。该表显示了用于分割任务的可用模型和数据集以及相应的得分。每个分数都链接到相应的权重文件。

8、Model Zoo

有关所有全重文件的完整列表，请参阅model_weights.txt和 MD5 检查文件model_weights.md5。

9、预置数据集

以下是我们提供Reader的数据集列表：

要下载这些数据集，请访问对应 页并查看scripts/download_datasets中的脚本。

原文链接：