SPVNAS项目代码结构深度解析3大模型体系、目录组织与核心设计哲学【免费下载链接】spvnas[ECCV 2020] Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution项目地址: https://gitcode.com/gh_mirrors/sp/spvnasSPVNASSparse Point-Voxel Neural Architecture Search是 MIT Han Lab 于 ECCV 2020 发表的高效 3D 架构搜索框架。它通过稀疏点-体素卷积在 SemanticKITTI 点云语义分割任务上实现了更少计算、更高精度的最优模型。本文带你完整梳理 SPVNAS 项目的代码结构3 大模型体系如何组织、目录分层的设计思路以及其超网络 随机采样的核心设计哲学。下图是 SPVNAS 对 SemanticKITTI 场景的语义分割可视化结果不同颜色对应不同类别地面、植被、车辆等一、目录结构全景一眼看懂项目组织SPVNAS 的代码组织非常克制整个仓库只有 5 个核心目录 4 个入口脚本spvnas/ ├── assets/ # 可视化输出点云分割结果 ├── configs/ # 实验配置YAML │ └── semantic_kitti/ │ ├── minkunet/ # MinkUNet 基线配置 │ ├── spvcnn/ # SPVCNN 基线配置 │ └── default.yaml ├── core/ # 核心实现 │ ├── datasets/ # 数据集SemanticKITTI │ ├── models/ # 模型定义三大模型体系 │ │ └── semantic_kitti/ │ ├── modules/ # 可复用神经网络模块 │ ├── builder.py # 模型/损失/优化器构建器 │ ├── trainers.py # 训练器 │ ├── callbacks.py # 评估回调mIoU 等 │ └── schedulers.py # 学习率调度 ├── train.py # 训练入口 ├── evaluate.py # 评估入口 ├── visualize.py # 可视化入口 └── model_zoo.py # 预训练模型下载与加载设计上遵循配置与代码分离每个实验只需一个 YAML 文件由入口脚本加载并递归构建整个训练流水线。例如训练 SPVCNN 只需torchpack dist-run -np [GPU数量] python train.py configs/semantic_kitti/spvcnn/cr0p5.yaml配置文件如 configs/semantic_kitti/spvcnn/cr0p5.yaml 极简只有几行即可指定模型与体素分辨率。二、3大模型体系同一套骨架三种智能程度项目中最精彩的部分是 core/models/semantic_kitti/ 下的三大模型它们共享同一套编码器-解码器 点分支骨架模型文件定位核心思想MinkUNetminkunet.py对比基线Minkowski 稀疏卷积 U-NetSPVCNNspvcnn.py手工设计模型点-体素卷积 U-Net结构人工指定SPVNASspvnas.py架构搜索模型超网络自动搜索最优结构1️⃣ SPVCNN手工设计的老师spvcnn.py 定义了三个基础构件BasicConvolutionBlock卷积 BN ReLU 的基本块ResidualBlock带残差连接与跨步降采样的残差块U-Net 骨架下采样 4 层提取特征上采样 4 层恢复分辨率并在中间插入点变换分支point transform——这是点-体混合架构的精髓体素卷积负责局部建模线性变换负责点级全局信息传递2️⃣ MinkUNet外部基线minkunet.py 基于 MinkowskiEngine 实现用于公平对比 SPVCNN 是否真的更优。3️⃣ SPVNAS会随机变身的超网络spvnas.py 是整个项目的灵魂。它不是某一个固定网络而是一个超网络Supernet通道数不固定而是在上下界区间内随机采样如 32~384 之间每个阶段的残差块数量深度也是随机采样的1~2 层关键方法random_sample()随机生成一种网络配置manual_select()则按搜索得到的配置锁定网络determinize()方法把随机模块坍缩成一个确定的静态网络从而高效评估搜索到的模型这套机制正是搜索高效 3D 架构的落地实现。三、核心设计哲学三大抽象让搜索成为可能 哲学一RandomModule 统一抽象在 core/modules/modules.py 中所有可变结构都遵循同一套接口random_sample()随机采样一种结构manual_select()人工指定结构determinize()固化成确定网络派生类RandomChoiceN 选 1与RandomDepth可变深度覆盖了架构搜索中最常见的两类决策。搜索空间 接口的组合这让定义新搜索维度变得极其简单。 哲学二Dynamic 前缀 可搜索的模块core/modules/layers.py 中的DynamicResidualBlock、DynamicConvolutionBlock等Dynamic系列层就是 SPVCNN 静态版本的可搜索化身——卷积核输出通道、归一化方式等参数都可以在采样时动态决定。 哲学三配置驱动 模型库分离core/builder.py从 YAML 配置构建模型、损失、优化器core/trainers.pySemanticKITTITrainer封装混合精度训练与 mIoU 统计model_zoo.py一键下载 NAS 搜索出的专用模型specialized或超网络权重supernetmodel_zoo中的spvnas_specialized()展示了完整的配置 → 结构 → 权重流程加载net.config描述文件 →manual_select锁定结构 →determinize固化 → 加载预训练权重。四、快速上手从训练到可视化的完整路径训练基线模型python train.py configs/semantic_kitti/spvcnn/cr0p5.yaml --distributed False评估预训练模型torchpack dist-run -np 1 python evaluate.py configs/semantic_kitti/default.yaml --name SemanticKITTI_val_SPVNAS65GMACs可视化结果python visualize.py输出在 assets/ 目录即上文那张彩色分割图总结SPVNAS 的代码结构体现了一套清晰的分层哲学入口层train/evaluate/visualize只负责解析配置核心层core/按数据集-模型-模块三纵切分模型层通过静态SPVCNN→ 超网络SPVNAS的演进把架构设计交给搜索模块层用统一的 RandomModule 抽象让搜索空间像搭积木一样可扩展对于想学习 3D 点云深度学习或神经架构搜索NAS的读者来说这个项目是一个结构清晰、可读性极佳的范本。【免费下载链接】spvnas[ECCV 2020] Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution项目地址: https://gitcode.com/gh_mirrors/sp/spvnas创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 SPVNAS项目代码结构深度解析：3大模型体系、目录组织与核心设计哲学
SPVNAS项目代码结构深度解析3大模型体系、目录组织与核心设计哲学【免费下载链接】spvnas[ECCV 2020] Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution项目地址: https://gitcode.com/gh_mirrors/sp/spvnasSPVNASSparse Point-Voxel Neural Architecture Search是 MIT Han Lab 于 ECCV 2020 发表的高效 3D 架构搜索框架。它通过稀疏点-体素卷积在 SemanticKITTI 点云语义分割任务上实现了更少计算、更高精度的最优模型。本文带你完整梳理 SPVNAS 项目的代码结构3 大模型体系如何组织、目录分层的设计思路以及其超网络 随机采样的核心设计哲学。下图是 SPVNAS 对 SemanticKITTI 场景的语义分割可视化结果不同颜色对应不同类别地面、植被、车辆等一、目录结构全景一眼看懂项目组织SPVNAS 的代码组织非常克制整个仓库只有 5 个核心目录 4 个入口脚本spvnas/ ├── assets/ # 可视化输出点云分割结果 ├── configs/ # 实验配置YAML │ └── semantic_kitti/ │ ├── minkunet/ # MinkUNet 基线配置 │ ├── spvcnn/ # SPVCNN 基线配置 │ └── default.yaml ├── core/ # 核心实现 │ ├── datasets/ # 数据集SemanticKITTI │ ├── models/ # 模型定义三大模型体系 │ │ └── semantic_kitti/ │ ├── modules/ # 可复用神经网络模块 │ ├── builder.py # 模型/损失/优化器构建器 │ ├── trainers.py # 训练器 │ ├── callbacks.py # 评估回调mIoU 等 │ └── schedulers.py # 学习率调度 ├── train.py # 训练入口 ├── evaluate.py # 评估入口 ├── visualize.py # 可视化入口 └── model_zoo.py # 预训练模型下载与加载设计上遵循配置与代码分离每个实验只需一个 YAML 文件由入口脚本加载并递归构建整个训练流水线。例如训练 SPVCNN 只需torchpack dist-run -np [GPU数量] python train.py configs/semantic_kitti/spvcnn/cr0p5.yaml配置文件如 configs/semantic_kitti/spvcnn/cr0p5.yaml 极简只有几行即可指定模型与体素分辨率。二、3大模型体系同一套骨架三种智能程度项目中最精彩的部分是 core/models/semantic_kitti/ 下的三大模型它们共享同一套编码器-解码器 点分支骨架模型文件定位核心思想MinkUNetminkunet.py对比基线Minkowski 稀疏卷积 U-NetSPVCNNspvcnn.py手工设计模型点-体素卷积 U-Net结构人工指定SPVNASspvnas.py架构搜索模型超网络自动搜索最优结构1️⃣ SPVCNN手工设计的老师spvcnn.py 定义了三个基础构件BasicConvolutionBlock卷积 BN ReLU 的基本块ResidualBlock带残差连接与跨步降采样的残差块U-Net 骨架下采样 4 层提取特征上采样 4 层恢复分辨率并在中间插入点变换分支point transform——这是点-体混合架构的精髓体素卷积负责局部建模线性变换负责点级全局信息传递2️⃣ MinkUNet外部基线minkunet.py 基于 MinkowskiEngine 实现用于公平对比 SPVCNN 是否真的更优。3️⃣ SPVNAS会随机变身的超网络spvnas.py 是整个项目的灵魂。它不是某一个固定网络而是一个超网络Supernet通道数不固定而是在上下界区间内随机采样如 32~384 之间每个阶段的残差块数量深度也是随机采样的1~2 层关键方法random_sample()随机生成一种网络配置manual_select()则按搜索得到的配置锁定网络determinize()方法把随机模块坍缩成一个确定的静态网络从而高效评估搜索到的模型这套机制正是搜索高效 3D 架构的落地实现。三、核心设计哲学三大抽象让搜索成为可能 哲学一RandomModule 统一抽象在 core/modules/modules.py 中所有可变结构都遵循同一套接口random_sample()随机采样一种结构manual_select()人工指定结构determinize()固化成确定网络派生类RandomChoiceN 选 1与RandomDepth可变深度覆盖了架构搜索中最常见的两类决策。搜索空间 接口的组合这让定义新搜索维度变得极其简单。 哲学二Dynamic 前缀 可搜索的模块core/modules/layers.py 中的DynamicResidualBlock、DynamicConvolutionBlock等Dynamic系列层就是 SPVCNN 静态版本的可搜索化身——卷积核输出通道、归一化方式等参数都可以在采样时动态决定。 哲学三配置驱动 模型库分离core/builder.py从 YAML 配置构建模型、损失、优化器core/trainers.pySemanticKITTITrainer封装混合精度训练与 mIoU 统计model_zoo.py一键下载 NAS 搜索出的专用模型specialized或超网络权重supernetmodel_zoo中的spvnas_specialized()展示了完整的配置 → 结构 → 权重流程加载net.config描述文件 →manual_select锁定结构 →determinize固化 → 加载预训练权重。四、快速上手从训练到可视化的完整路径训练基线模型python train.py configs/semantic_kitti/spvcnn/cr0p5.yaml --distributed False评估预训练模型torchpack dist-run -np 1 python evaluate.py configs/semantic_kitti/default.yaml --name SemanticKITTI_val_SPVNAS65GMACs可视化结果python visualize.py输出在 assets/ 目录即上文那张彩色分割图总结SPVNAS 的代码结构体现了一套清晰的分层哲学入口层train/evaluate/visualize只负责解析配置核心层core/按数据集-模型-模块三纵切分模型层通过静态SPVCNN→ 超网络SPVNAS的演进把架构设计交给搜索模块层用统一的 RandomModule 抽象让搜索空间像搭积木一样可扩展对于想学习 3D 点云深度学习或神经架构搜索NAS的读者来说这个项目是一个结构清晰、可读性极佳的范本。【免费下载链接】spvnas[ECCV 2020] Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution项目地址: https://gitcode.com/gh_mirrors/sp/spvnas创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考