PointTransformerV3

PointTransformerV3

先进的点云处理框架

PointTransformerV3是一个创新的点云处理框架,在多个基准测试中展现出卓越性能。该项目优化了模型结构,提升了运行速度和处理能力。它适用于室内外场景的语义分割,通过多数据集预训练进一步增强了效果。研究人员可利用开源代码和预训练模型轻松复现结果或应用于自身项目。

Point Transformer V3点云处理语义分割深度学习计算机视觉Github开源项目

点云变换器V3

PWC
PWC
PWC
PWC
PWC

这个仓库是论文**《点云变换器V3:更简单、更快速、更强大》**的官方项目仓库,主要用于发布日程安排、更新说明、分享实验记录(包含模型权重)和处理问题。代码将在_Pointcept v1.5_中更新。
[ 骨干网络 ] [PTv3] - [ arXiv ] [ 引用 ] [ 代码 ]

<div align='left'> <img src="https://yellow-cdn.veclightyear.com/835a84d5/9c38d018-f458-467c-b113-8a1e0cab77a0.png" alt="teaser" width="800" /> </div>

亮点

  • 2024年4月5日:PTv3被CVPR'24选为90个口头报告之一(3.3%的接受论文,0.78%的投稿)!
  • 2024年2月28日:PTv3被CVPR'24接受 🎉🎉🎉。
  • 2023年12月31日:我们发布了PTv3的模型代码,现已提供从头训练的ScanNet和ScanNet200实验记录。更多内容将很快可用。
  • 2023年12月19日:我们发布了PTv3的项目仓库,如果您对我们的工作有任何问题,请随时提出问题。通过填写表单订阅我们的更新,可以通过编辑表单取消订阅。

概览

日程安排

为了尽快提供我们优化过的代码和复现的实验,这次我们将在验证后立即发布已完成的内容,而不是等所有工作完成后一起发布。我们列出了以下任务列表:

  • 发布PTv3的模型代码;
  • 发布从头训练的室内语义分割配置和记录;
    • ScanNet
    • ScanNet200
    • S3DIS
    • S3DIS 6折(带交叉验证脚本)
  • 发布预训练的室内语义分割配置和记录;
    • ScanNet(ScanNet + S3DIS + Structured3D)
    • ScanNet200(基于上述模型微调)
    • S3DIS(ScanNet + S3DIS + Structured3D)
    • S3DIS 6折(基于ScanNet + Structured3D微调)
  • 发布从头训练的室外语义分割配置和记录;
    • NuScenes
    • SemanticKITTI
    • Waymo
  • 发布预训练的室外语义分割配置和记录;
    • NuScenes(NuScenes + SemanticKITTI + Waymo)
    • SemanticKITTI(NuScenes + SemanticKITTI + Waymo)
    • Waymo(NuScenes + SemanticKITTI + Waymo)
  • 发布室内实例分割的配置和记录;
    • ScanNet(从头训练和基于PPT预训练的PTv3微调)
    • ScanNet200(从头训练和基于PPT预训练的PTv3微调)
  • 发布ScanNet数据高效基准的配置和记录;
  • 发布Waymo物体检测基准的配置和记录;
  • 发布ImageNet分类的配置和记录;
    • ImageClassifier(使Pointcept中的所有3D骨干网络支持图像分类)
    • 配置和记录(PTv3 + SparseUNet)

引用

如果您发现_PTv3_对您的研究有用,请引用我们的工作以表示感谢。(੭ˊ꒳​ˋ)੭✧

@inproceedings{wu2024ptv3, title={Point Transformer V3: Simpler, Faster, Stronger}, author={Wu, Xiaoyang and Jiang, Li and Wang, Peng-Shuai and Liu, Zhijian and Liu, Xihui and Qiao, Yu and Ouyang, Wanli and He, Tong and Zhao, Hengshuang}, booktitle={CVPR}, year={2024} } @inproceedings{wu2024ppt, title={Towards Large-scale 3D Representation Learning with Multi-dataset Point Prompt Training}, author={Wu, Xiaoyang and Tian, Zhuotao and Wen, Xin and Peng, Bohao and Liu, Xihui and Yu, Kaicheng and Zhao, Hengshuang}, booktitle={CVPR}, year={2024} } @inproceedings{wu2022ptv2, title={点变换器V2:分组向量注意力和基于分区的池化}, author={Wu, Xiaoyang and Lao, Yixing and Jiang, Li and Liu, Xihui and Zhao, Hengshuang}, booktitle={NeurIPS}, year={2022} } @misc{pointcept2023, title={Pointcept:一个用于点云感知研究的代码库}, author={Pointcept贡献者}, howpublished={\url{https://github.com/Pointcept/Pointcept}}, year={2023} }

安装

要求

PTv3依赖于FlashAttention,而FlashAttention依赖于以下要求,请确保您的本地Pointcept环境满足这些要求:

(推荐)

  • Ubuntu: 20.04及以上
  • CUDA: 11.6及以上
  • PyTorch: 1.12.0及以上

如果您无法将本地环境升级以满足上述推荐要求,以下是运行带Pointcept的PTv3的最低要求,您需要禁用Flash Attention以启用PTv3:

(最低)

  • Ubuntu: 18.04及以上
  • CUDA: 11.3及以上
  • PyTorch: 1.10.0及以上

环境

  • 基础环境
conda create -n pointcept python=3.8 -y conda activate pointcept conda install ninja -y # 在此选择您想要的版本:https://pytorch.org/get-started/previous-versions/ # 我们在开发PTv3时使用CUDA 11.8和PyTorch 2.1.0 conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia conda install h5py pyyaml -c anaconda -y conda install sharedarray tensorboard tensorboardx yapf addict einops scipy plyfile termcolor timm -c conda-forge -y conda install pytorch-cluster pytorch-scatter pytorch-sparse -c pyg -y pip install torch-geometric cd libs/pointops python setup.py install cd ../.. # spconv (SparseUNet) # 参考 https://github.com/traveller59/spconv pip install spconv-cu118 # 选择与您本地cuda版本匹配的版本 # Open3D (可视化,可选) pip install open3d
  • Flash Attention

按照Flash Attention仓库中的README安装PTv3的Flash Attention。这个安装是可选的,但我们建议为PTv3启用Flash Attention。

数据准备

请进一步参考Pointcept readme的数据准备部分。

快速开始

两种运行场景

我们为PTv3提供了两种运行场景,Pointcept驱动和自定义框架驱动。对于前者,您只需将Pointcept的代码克隆到本地,然后按照Pointcept中的快速开始运行PTv3:

git clone https://github.com/Pointcept/Pointcept.git sh scripts/train.sh -p ${INTERPRETER_PATH} -g ${NUM_GPU} -d ${DATASET_NAME} -c ${CONFIG_NAME} -n ${EXP_NAME}

对于后一种场景,我们提供了一个与我们的Pointcept框架分离的PTv3独立实例。要将此代码整合到您的项目中,请克隆项目仓库并将以下文件/文件夹复制到您的项目中:

git clone https://github.com/Pointcept/PointTransformerV3.git cp model.py ${PATH_TO_YOUR_PROJECT} cp -r serialization ${PATH_TO_YOUR_PROJECT}

调整我们的模型文件中定义的输入字典,模型将返回给定批次点云的编码特征。

Flash Attention

完整的PTv3依赖于Flash Attention,而Flash Attention依赖于CUDA 11.6及以上,请确保您的本地Pointcept环境满足这些要求。

如果您无法将本地环境升级以满足要求(CUDA >= 11.6),那么您可以通过将模型参数enable_flash设置为false并将enc_patch_sizedec_patch_size降低到一定水平(例如128)来禁用FlashAttention。

FlashAttention强制禁用RPE并强制将精度降低到fp16。如果您需要这些功能,请禁用enable_flash并调整enable_rpeupcast_attentionupcast_softmax

模型库

1. 室内语义分割

模型基准测试额外数据GPU数量验证mIoU配置Tensorboard实验记录
PTv3ScanNet477.6%链接链接链接
PTv3 + PPTScanNet878.5%链接链接链接
PTv3ScanNet200435.3%链接链接链接
PTv3 + PPTScanNet200✓ (f.t.)4
PTv3S3DIS (Area5)473.6%链接链接链接
PTv3 + PPTS3DIS (Area5)875.4%链接链接链接
_*由于PTv3的模型结构进行了调整,已发布的模型权重暂时无效。_

以下是示例运行脚本:

# 从头训练ScanNet sh scripts/train.sh -g 4 -d scannet -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # PPT联合训练(ScanNet + Structured3D)并在ScanNet上评估 sh scripts/train.sh -g 8 -d scannet -c semseg-pt-v3m1-1-ppt-extreme -n semseg-pt-v3m1-1-ppt-extreme # 从头训练ScanNet200 sh scripts/train.sh -g 4 -d scannet200 -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # 从PPT联合训练(ScanNet + Structured3D)模型微调ScanNet200 # 待完成 # 从头训练S3DIS,S3DIS依赖RPE,同时也是禁用flash attention的示例 sh scripts/train.sh -g 4 -d s3dis -c semseg-pt-v3m1-0-rpe -n semseg-pt-v3m1-0-rpe # PPT联合训练(ScanNet + S3DIS + Structured3D)并在ScanNet上评估 sh scripts/train.sh -g 8 -d s3dis -c semseg-pt-v3m1-1-ppt-extreme -n semseg-pt-v3m1-1-ppt-extreme # 更多PTv3的配置和实验记录将很快推出。

2.室外语义分割

模型基准额外数据GPU数量验证集mIoU配置Tensorboard实验记录
PTv3nuScenes480.3链接链接链接
PTv3 + PPTnuScenes8
PTv3SemanticKITTI4
PTv3 + PPTSemanticKITTI8
PTv3Waymo471.2链接链接链接 (仅日志)
PTv3 + PPTWaymo8

_*由于PTv3的模型结构进行了调整,已发布的模型权重暂时无效。_ _*由于Waymo开放数据集的规定,使用该数据集训练的模型权重无法公开发布。_

以下是示例运行脚本:

# 从头训练ScanNet sh scripts/train.sh -g 4 -d scannet -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # PPT联合训练(ScanNet + Structured3D)并在ScanNet上评估 sh scripts/train.sh -g 8 -d scannet -c semseg-pt-v3m1-1-ppt-extreme -n semseg-pt-v3m1-1-ppt-extreme # 从头训练ScanNet200 sh scripts/train.sh -g 4 -d scannet200 -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # 从PPT联合训练(ScanNet + Structured3D)模型微调ScanNet200 # 待完成 # 从头训练S3DIS,S3DIS依赖RPE,同时也是禁用flash attention的示例 sh scripts/train.sh -g 4 -d s3dis -c semseg-pt-v3m1-0-rpe -n semseg-pt-v3m1-0-rpe # PPT联合训练(ScanNet + S3DIS + Structured3D)并在ScanNet上评估 sh scripts/train.sh -g 8 -d s3dis -c semseg-pt-v3m1-1-ppt-extreme -n semseg-pt-v3m1-1-ppt-extreme # S3DIS 6折交叉验证 # 1. 默认配置在Area_5上评估,修改"data.train.split"、"data.val.split"和"data.test.split",使配置分别在Area_1 ~ Area_6上评估。 # 2. 在每个区域分割上训练和评估模型,并将位于"exp/s3dis/EXP_NAME/result/Area_x.pth"的结果文件收集到一个文件夹中,记为RECORD_FOLDER。 # 3. 运行以下脚本获取S3DIS 6折交叉验证性能: export PYTHONPATH=./ python tools/test_s3dis_6fold.py --record_root ${RECORD_FOLDER} # 从头训练nuScenes sh scripts/train.sh -g 4 -d nuscenes -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # 从头训练Waymo sh scripts/train.sh -g 4 -d waymo -c semseg-pt-v3m1-0-base -n semseg-pt-v3m1-0-base # 更多PTv3的配置和实验记录将很快推出。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多