（1）訓練部件分割（partseg）模型和檢測自己點云并將結果保存txt，請看博主上兩篇文章
（2）本文背景是將pipe點云上的缺陷和本體檢測出來，即1種語義場景（pipe），2種類別（body和quexian）。請記住這兩個數字。

一、標注數據集：

step1：數據集預處理

參考：Windows11和Ubuntu用PointNet++訓練自己的數據集（部件分割模型）的第一部分即“一、標注數據集”部分即可。得到分類好的n行4列的txt文件。如果是部件分割（partseg）就結束了，但這里是語義分割（semseg）標注很麻煩，還沒完成！我這里操作完后得到了m個txt文件，即原本有m個pipe的點云txt文本。

step1結果：

step2：學習語義分割數據集的格式

參考：S3DIS場景點云數據集，仔細閱讀
這里用Stanford3dDataset_v1.2_Aligned_Version模式。格式是x y z r g b格式 即n行6列。

step3：制作語義分割txt格式數據集（可以問deepseek，見step3末尾）

思路：用matlab依次遍歷step1中每個txt點云文件，在進行操作：將標簽為0的點，去掉0并將后三位替換為某個rgb值，再將標簽為1的點后三位替換為另外某個rgb值。（因為我只有兩個類別，所以我就只有0和1。）。

注意：最后要符合語義分割數據集的格式，即每個場景（即step1得到的每個txt文件）單獨一個文件夾名字叫做pipe_i（i從1到m），文件夾下存著step1結果中第m個點云（n行6列）pipe_i.txt還有一個Annotations文件夾。Annotations文件夾下有2個txt文件（本文的2種類別），分別是body_i.txt和quexian_i.txt，即兩種類別的n行6列的文本文件。邏輯是：body_i.txt + quexian_i.txt=pipe_i.txt

step3結果：

deepseek實現step3

我的某個文件夾里有42個txt文件，名字分別是1.txt~42.txt.每個txt文件有n行4列，中間用空格隔開，即每個文件有n個空間點 前三列是xyz后一列是標簽，這42個文件里的每個點只有兩個標簽即0和1可能是浮點型。你也知道上面這種格式是做pointnet++部件分割的，現在我要改成語義分割，需要把標簽變成rgb。所以現在要你遍歷每個txt文件（可以用for數字遍歷，因為名字有規律），把每個文件里的0標簽的點換為rgb為[0 0 1]，1標簽是換為[1 0 0]即n行6列xyzrgb 每列用空格隔開。但是要求每個txt要單獨建立一個文件夾叫做pipe_i，i是和i.txt的i相對應。pipe_i文件夾下有個pipe_i.txt放著i.txt的變換好的文件，pipe_i文件夾下的Annotations文件夾下有單獨的按照標簽的txt，之前為0標簽的點標簽變換rgb后就放到命名為body_i.txt，之前為1標簽的點標簽變換rgb后就放到命名為quexian_i.txt。即完全符合語義分割的數據格式。matlab實現

Matlab代碼如下：運行時間會很長！！其中的rgb的值都是0~1可以自己改。

%%
%設置pointnet++語義分割數據集
% 設置輸入路徑和輸出路徑
input_path = 'D:\YinParker\Desktop\管道數據集4\biaozhu';  % 輸入文件路徑
output_root = 'D:\YinParker\Desktop\管道數據集4\semseg';  % 輸出根目錄% 創建輸出根目錄（如果不存在）
if ~exist(output_root, 'dir')mkdir(output_root);
end% 遍歷1.txt到42.txt
for i = 1:42% 輸入文件名input_filename = fullfile(input_path, sprintf('%d.txt', i));% 檢查文件是否存在if ~exist(input_filename, 'file')fprintf('文件不存在: %s\n', input_filename);continue;end% 讀取數據data = load(input_filename);xyz = data(:, 1:3);labels = data(:, 4);% 創建對應的輸出目錄結構pipe_dir = fullfile(output_root, sprintf('pipe_%d', i));annotations_dir = fullfile(pipe_dir, 'Annotations');if ~exist(pipe_dir, 'dir')mkdir(pipe_dir);endif ~exist(annotations_dir, 'dir')mkdir(annotations_dir);end% 準備轉換后的數據（xyzrgb）rgb_data = zeros(size(data, 1), 6);rgb_data(:, 1:3) = xyz;% 分離不同標簽的點（帶RGB）body_points = [];quexian_points = [];for j = 1:size(data, 1)if abs(labels(j)) < 0.5  % 處理浮點型標簽% 標簽0 -> 藍色 [0 0 1]rgb_data(j, 4:6) = [0 0 1];body_points = [body_points; xyz(j, :), 0, 0, 1];  % 添加RGBelse% 標簽1 -> 紅色 [1 0 0]rgb_data(j, 4:6) = [1 0 0];quexian_points = [quexian_points; xyz(j, :), 1, 0, 0];  % 添加RGBendend% 保存轉換后的主文件（pipe_i.txt）output_main_file = fullfile(pipe_dir, sprintf('pipe_%d.txt', i));dlmwrite(output_main_file, rgb_data, 'delimiter', ' ');% 保存帶RGB的標簽文件（Annotations/body_i.txt和quexian_i.txt）if ~isempty(body_points)body_file = fullfile(annotations_dir, sprintf('body_%d.txt', i));dlmwrite(body_file, body_points, 'delimiter', ' ');endif ~isempty(quexian_points)quexian_file = fullfile(annotations_dir, sprintf('quexian_%d.txt', i));dlmwrite(quexian_file, quexian_points, 'delimiter', ' ');endfprintf('已處理文件: %s\n', input_filename);
endfprintf('所有文件處理完成！結果保存在: %s\n', output_root);

step4：txt格式數據集變為npy

語義分割需要.npy格式的數據集，這也是麻煩的地方。
在PointNet++工程文件夾下的data文件夾建立s3dis文件夾，再在s3dis里面建立Stanford3dDataset_v1.2_Aligned_Version文件夾，里面有Area_1和Area_2兩個文件夾。后面會在程序參數設置中讓Area_2里的數據為測試集。再從step3中的pipe_i文件夾里找點文件復制進去，當做訓練集（Area1）和測試集（Area2）。結構圖如下：

再在data文件夾下建立stanford_indoor3d用于存儲npy格式的文件。

再修改anno_paths.txt和class_names.txt ，anno_paths.txt寫所有Area的Annotations的路徑，class_names.txt寫類別，和之前的step3中得到的Annotions里的相對應。

用collect_indoor3d_data.py和indoor3d_util.py將txt樣本變為npy樣本 。參考：【PointNet++】基于自建數據訓練PointNet++場景語義分割網絡

（1）collect_indoor3d_data.py修改：

1/1 加一行代碼：out_filename=os.path.basename(os.path.join(output_folder, out_filename))，不然生成的npy文件路徑不對，還得自己復制到data/stanford_indoor3d文件夾下

（2）indoor3d_util.py修改： 改方框的兩處地方：

運行collect_indoor3d_data.py在 data/stanford_indoor3d文件夾下生成npy文件，且前面有Area_1和2的前綴。

二、修改訓練和測試代碼以及S3DISDataLoader.py

參考：
【PointNet++】基于自建數據訓練PointNet++場景語義分割網絡
【PointNet++】PointNet++復現（PyTorch版本）

1、訓練代碼修改：train_semseg.py

（1）類別：

（2）改參數：其中最后一個參數指定哪個Area是測試集，剩下參數都根據實際調整

（3）類別數：

（4）（5）numpy版本問題

2、測試代碼修改：test_semseg.py

測試的參數batch_size、num_point等參數根據自己實際調整

（1）類別：

（2）類別數量：

3、S3DISDataLoader.py修改

參考文獻中老哥少改了一個
（1）數字：

（2）數字：得+1

（3）數字：

（4）補充： 其實后面兩個也不用改，因為后兩個在class ScannetDatasetWholeScene而前兩個在class S3DISDataset(Dataset):里，這里只用到了class S3DISDataset(Dataset):

pointnet2_sem_seg.py改動

用這個模型就改，不用這個就改別的模型

三、訓練以及訓練中報錯：

運行train_semseg.py即可開啟訓練。

報錯1：

Traceback (most recent call last):File "D:\YinParker\Desktop\AllFileFolder\A_Other_projects_in_laboratory\pointNet2\Pointnet_Pointnet2_pytorch-master\train_semseg.py", line 302, in <module>main(args)File "D:\YinParker\Desktop\AllFileFolder\A_Other_projects_in_laboratory\pointNet2\Pointnet_Pointnet2_pytorch-master\train_semseg.py", line 186, in mainfor i, (points, target) in tqdm(enumerate(trainDataLoader), total=len(trainDataLoader), smoothing=0.9):File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\site-packages\torch\utils\data\dataloader.py", line 438, in __iter__return self._get_iterator()File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\site-packages\torch\utils\data\dataloader.py", line 386, in _get_iteratorreturn _MultiProcessingDataLoaderIter(self)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\site-packages\torch\utils\data\dataloader.py", line 1039, in __init__w.start()File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\process.py", line 121, in startself._popen = self._Popen(self)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\context.py", line 224, in _Popenreturn _default_context.get_context().Process._Popen(process_obj)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\context.py", line 336, in _Popenreturn Popen(process_obj)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\popen_spawn_win32.py", line 93, in __init__reduction.dump(process_obj, to_child)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\reduction.py", line 60, in dumpForkingPickler(file, protocol).dump(obj)
AttributeError: Can't pickle local object 'main.<locals>.<lambda>'
Traceback (most recent call last):File "<string>", line 1, in <module>File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\spawn.py", line 116, in spawn_mainexitcode = _main(fd, parent_sentinel)File "E:\ProfessionSoftware2\anaconda\anaconda3202303\envs\yolov8Python310\lib\multiprocessing\spawn.py", line 126, in _mainself = reduction.pickle.load(from_parent)
EOFError: Ran out of input

原因：gpt說是train_semseg.py有兩處lambda表達式在window不行

法一：改lanbda表達式（推薦法二）

（1）改：參考行號

（2）得import functools

法二：
如何使用PointNet++復現自己的點云語義分割數據集？
如果你是windows系統，那你應該還要注意num_workers設置為0，否則會報錯的。 僅需改兩處

報錯2：

也不是報錯，就是訓練代碼運行后一直卡住，

原因：S3DISDataLoader.py里有個一直循環，點數沒有達到1024個

因為1*1平方米內自己點太少了，達不到訓練時設置的參數--npoint（超參數）
解決方法：train_semseg.py里把參數1調大也行 或者 將上圖S3DISDataLoader.py里把1024調小

如果對你有幫助，可以點贊、收藏支持一波