FishServer/FishMeasure/pointcloud_classifier/Pointnet_Pointnet2_pytorch/README_FISH.md

Fish Point Cloud Quality Classification

使用 PointNet/PointNet++ 进行鱼类点云质量分类（good/bad）的训练脚本。

更新内容

1. 新的数据加载器 (data_utils/FishPointCloudDataLoader.py):

   • 从 PLY 文件加载点云数据
   • 支持 good/bad 二分类
   • 支持数据预处理和缓存

2. 更新的训练脚本 (train_classification.py):

   • 支持鱼类点云数据集
   • 自动适配 2 类分类（good/bad）
   • 兼容原有的 ModelNet 数据集

使用方法

1. 准备数据集

确保数据集结构如下：

dataset/
├── train/
│   ├── good/     # 高质量点云 PLY 文件
│   └── bad/      # 低质量点云 PLY 文件
├── val/
│   ├── good/
│   └── bad/
└── test/
    ├── good/
    └── bad/

2. 训练模型

使用 PointNet 训练：

cd pointcloud_classifier/Pointnet_Pointnet2_pytorch

python train_classification.py \
    --use_fish_dataset \
    --data_path ../../dataset/ \
    --model pointnet_cls \
    --num_category 2 \
    --num_point 1024 \
    --batch_size 24 \
    --epoch 200 \
    --learning_rate 0.001 \
    --gpu 0 \
    --log_dir fish_pointnet

使用 PointNet++ 训练：

python train_classification.py \
    --use_fish_dataset \
    --data_path ../../dataset/ \
    --model pointnet2_cls_ssg \
    --num_category 2 \
    --num_point 1024 \
    --batch_size 24 \
    --epoch 200 \
    --learning_rate 0.001 \
    --gpu 0 \
    --log_dir fish_pointnet2

3. 使用预训练检查点

如果已有预训练模型（如 ModelNet40 上训练的），可以使用 --pretrained 参数加载：

# 从指定路径加载预训练模型
python train_classification.py \
    --use_fish_dataset \
    --data_path ../../dataset/ \
    --model pointnet2_cls_ssg \
    --num_category 2 \
    --pretrained log/classification/pointnet2_cls_ssg/checkpoints/best_model.pth \
    --log_dir fish_pointnet2_finetune

# 或者从其他预训练模型加载（如 pointnet2_ssg_wo_normals）
python train_classification.py \
    --use_fish_dataset \
    --data_path ../../dataset/ \
    --model pointnet2_cls_ssg \
    --num_category 2 \
    --pretrained log/classification/pointnet2_ssg_wo_normals/checkpoints/best_model.pth \
    --log_dir fish_pointnet2_finetune

注意：

• 如果预训练模型的分类头类别数（如 40）与当前任务（2）不同，脚本会自动跳过分类头，只加载特征提取器部分
• 这样可以实现迁移学习，利用预训练的特征提取能力

4. 参数说明

• --use_fish_dataset: 使用鱼类点云数据集（必须）
• --data_path: 数据集根目录路径
• --model: 模型名称 (pointnet_cls 或 pointnet2_cls_ssg)
• --num_category: 类别数量（2 表示 good/bad）
• --num_point: 每个点云的点数（默认 1024）
• --batch_size: 批次大小
• --epoch: 训练轮数
• --learning_rate: 学习率
• --gpu: GPU 设备 ID
• --log_dir: 实验日志目录名称
• --pretrained: 预训练模型路径（可选，用于迁移学习）
• --process_data: 预处理并缓存数据（首次运行建议使用）
• --use_uniform_sample: 使用 FPS 均匀采样

5. 输出

训练过程会保存：

• 检查点：log/classification/{log_dir}/checkpoints/best_model.pth
• 训练日志：log/classification/{log_dir}/logs/{model_name}.txt

注意事项

1. 数据格式：确保 PLY 文件格式正确，包含 XYZ 坐标
2. 类别标签：good=1, bad=0
3. 预训练模型：如果使用预训练模型，需要确保模型架构兼容（可能需要调整分类头）
4. 内存：如果点云文件很大，建议使用 --process_data 预处理数据

示例

完整训练示例：

# 1. 准备数据集（使用 dataset.py 脚本）
cd ../../
python pointcloud_classifier/dataset.py \
    --source output_preview4/ \
    --output dataset/ \
    --train_ratio 0.7 \
    --val_ratio 0.15 \
    --test_ratio 0.15

# 2. 训练模型
cd pointcloud_classifier/Pointnet_Pointnet2_pytorch
python train_classification.py \
    --use_fish_dataset \
    --data_path ../../dataset/ \
    --model pointnet2_cls_ssg \
    --num_category 2 \
    --num_point 1024 \
    --batch_size 32 \
    --epoch 200 \
    --learning_rate 0.001 \
    --process_data \
    --gpu 0 \
    --log_dir fish_quality_classifier