1. 环境准备双系统下的基础配置跨平台复现RandLa-Net的第一步就是搞定环境配置。我在Windows 10和Ubuntu 20.04双系统上都尝试过发现Ubuntu确实更适合深度学习项目。不过考虑到有些同学可能需要在Windows下开发这里我会详细对比两个平台的配置差异。Windows环境建议安装Visual Studio 2019社区版即可需要勾选使用C的桌面开发工作负载Python环境推荐使用Anaconda管理创建3.8版本的虚拟环境CUDA Toolkit版本要与PyTorch匹配比如PyTorch 1.10.1对应CUDA 11.3Ubuntu环境优势明显终端操作更友好特别是处理C编译时文件路径不会出现反斜杠问题依赖库安装更简单apt-get一键搞定我实测过的稳定组合是conda create -n randla python3.8 conda install pytorch1.10.1 torchvision0.11.2 cudatoolkit11.3 -c pytorch2. 数据集处理SemanticKITTI篇SemanticKITTI数据集预处理是个大坑我花了整整三天才搞定。关键是要注意以下几点原始数据组织结构必须严格按照dataset_root └── sequences ├── 00 │ ├── velodyne │ └── labels ├── 01 │ ├── velodyne │ └── labels ...路径问题在Windows下特别棘手。建议在data_prepare_semantickitti.py中这样处理路径import os dataset_path os.path.normpath(rD:/datasets/semantic_kitti) # 使用raw string和normpathC编译是最大的拦路虎。在Windows下需要cd utils\cpp_wrappers\cpp_subsampling python setup.py build_ext --inplace如果遇到无法找到compute()函数错误可能是MSVC编译器版本不匹配。我在VS2019的x64 Native Tools Command Prompt下执行才成功。3. Ubuntu下的编译优化转到Ubuntu后编译过程顺畅很多但仍有几个注意点g版本需要≥7.0建议用sudo apt-get install g-9编译命令略有不同cd utils/nearest_neighbors python setup.py install --home. python setup.py build_ext --inplace动态链接库问题可以通过设置环境变量解决export LD_LIBRARY_PATH$LD_LIBRARY_PATH:$(pwd)实测发现Ubuntu下编译生成的.so文件比Windows的.pyd更稳定训练时不会出现莫名其妙的段错误。4. 训练参数调优实战原论文给出的参数在复现时效果差异很大我通过多次实验找到了更优配置参数原论文值优化值效果对比batch_size166显存占用降低30%num_points409645056mIoU提升9%learning_rate0.010.01(衰减1%/step)收敛更快关键代码修改位置在train_SemanticKITTI.py# 修改采样点数 train_loader DataLoader( datasettrain_dataset, batch_size6, num_workers4, samplertrain_sampler, pin_memoryTrue, collate_fncollate_fn, )5. Semantic3D数据集特殊处理这个数据集有几点特别需要注意下载脚本需要提前修改# 修改download_semantic3d.sh第一行 DATA_DIR/path/to/your/dataset # 必须使用绝对路径内存问题很常见建议使用服务器处理分块处理点云数据修改data_prepare_semantic3d.py中的chunk_size参数numpy版本必须精确匹配pip install numpy1.23.4 # 其他版本会报API不兼容错误6. 结果提交与验证提交到SemanticKITTI官方评测时最容易踩的坑路径格式必须统一使用正斜杠# 在validate_submission.py中添加 label_files [f.replace(\\, /) for f in label_files]压缩包结构必须严格符合submission.zip └── sequences ├── 11 │ └── predictions │ ├── 000000.label │ └── ... ├── 12 │ └── predictions ...类别映射要检查semantic_kitti.yamllearning_map: 1: 0 # road 10: 1 # person 13: 2 # car ... learning_ignore: 0: True # 忽略未分类点7. 跨平台调试经验在双系统间切换时这几个技巧能节省大量时间共享数据集将数据集放在NTFS分区两边都能访问环境同步conda env export environment.yml # 导出 conda env create -f environment.yml # 导入路径转换脚本import platform def convert_path(path): if platform.system() Windows: return path.replace(/, \\) else: return path.replace(\\, /)版本控制用git管理代码变更特别关注换行符差异core.autocrlf设置文件权限变化经过多次实验最终在Ubuntu系统上达到了29.4%的mIoU虽然略低于论文结果但相比初始复现时的19.7%已有显著提升。关键是要耐心调整batch_size和点数采样策略同时确保数据预处理环节没有纰漏。