复现nerfstudio并训练自己制作的数据集

孤心不寒

已于 2024-03-12 11:28:35 修改

阅读量3.7k

点赞数 29

文章标签：计算机视觉

于 2024-02-29 22:34:39 首次发布

本文链接：https://blog.csdn.net/Destiny_Di/article/details/136382803

版权

网站：安装 - nerfstudio

GitHub - nerfstudio-project/nerfstudio：NeRF 的协作友好工作室

安装之前要确保电脑上已经有CUDA11.8或以上版本（更高版本的可以安装11.8的toolkit）

创建环境

conda create --name nerfstudio -y python=3.8
conda activate nerfstudio
python -m pip install --upgrade pip

安装依赖

首先，如果安装了2.0.1之前的PyTorch版本，则应卸载PyTorch、functhor和miny-cuda nn的早期版本。可以通过以下命令实现：

pip uninstall torch torchvision functorch tinycudann

结合CUDA11.8，安装Pytorch2.1.2

pip install torch==2.1.2+cu118 torchvision==0.16.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

安装CUDA所需要的扩展，通过以下命令实现：

conda install -c "nvidia/label/cuda-11.8.0" cuda-toolkit

安装tiny-cuda-nn包

这里先要从github上下载tiny-cuda-nn，然后在Microsoft VIsual C++的环境下编译资源。所以如果直接执行：

pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

可能会报错，提示：

× python setup.py egg_info did not run successfully.
  │ exit code: 1
  ╰─> [8 lines of output]
      Traceback (most recent call last):
        File "<string>", line 2, in <module>
        File "<pip-setuptools-caller>", line 34, in <module>
        File "C:\Users\xxx\AppData\Local\Temp\pip-req-build-lz_n7l05\bindings/torch\setup.py", line 53, in <module>
          raise RuntimeError("Could not locate a supported Microsoft Visual C++ installation")
      RuntimeError: Could not locate a supported Microsoft Visual C++ installation
      Building PyTorch extension for tiny-cuda-nn version 1.7
      Obtained compute capability 86 from PyTorch
      [end of output]

这里参考了这两篇博客：安装tiny-cuda-nn时报错RuntimeError: Could not locate a supported Microsoft Visual C++ installation-CSDN博客、nerfstudio搭建 win11踩坑记录之tinycudann_nerfstudio windows-CSDN博客]

我直接说一下我的操作：

首先安装Visual Studio 2019的installer，并且选择“使用C++的桌面开发”，如下所示：

在这里插入图片描述

安装好以后记住安装路径，如果忘记了，可以在这里查看：

在这里插入图片描述

然后在path中添加环境变量，路径就是你的Visual Studio 2019安装路径后面加上\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64。

比如我的就是D:\Software\VisualStudio2019\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64：

在这里插入图片描述

添加好环境变量后，在虚拟环境nerfstudio中进入到 xxxxx\VC\Auxiliary\Build这个路径下，然后输入以下指令打开脚本，

.\vcvars64.bat

或者

start vcvars64.bat

接下来在弹出的新的命令行中重新输入：

pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

即可完成tiny-cuda-nn的安装。

安装colmap

colmap的网站在这里：COLMAP - Structure-From-Motion and Multi-View Stereo (demuc.de)

这个其实是一个开源项目，用SfM来重建三维模型并得到点的数据与相机位姿。

在这里插入图片描述

然后根据自己电脑是否有cuda来选择安装哪个版本：在这里插入图片描述

下载后解压，然后将bin文件夹添加到环境变量。比如我的路径是：D:\Project\COLMAP-3.8-windows-cuda\bin
在这里插入图片描述

安装ffmpeg

得到项目并配置好环境后，还需要在电脑上安装ffmpeg，否则会报错未在电脑上找到ffmpeg，这个时候我们需要单独安装ffmpeg。首先，进入ffmpeg官网：Download FFmpeg。找到以下选项，并下载essential版本。

在这里插入图片描述

下载压缩包并解压后，将里面bin文件夹添加进系统PATH环境变量，该文件夹下有三个exe文件：

在这里插入图片描述

接下来，在命令行输入：

ffmpeg -version

就可以查到ffmpeg版本了：

在这里插入图片描述

训练自己制作的数据集：

这里就不说怎么用官方提供的数据集，看看怎么把自己拍的照片拿去训练：

首先把自己拍的照片文件夹保存在一个路径下，比如我的是：D:\Project\nerfstudio\data\demorobo\images
在这里插入图片描述

官网给的指导是：

ns-process-data {video,images,polycam,record3d} --data {DATA_PATH} --output-dir {PROCESSED_DATA_DIR}

那我们就在命令行输入：

 ns-process-data images --data data/demorobo/images --output-dir data/demorobo

这样就可以对我们的照片进行colmap操作，并且进行下采样：

在这里插入图片描述

得到的文件夹结构如下：

在这里插入图片描述

然后执行训练，官网说法是：

ns-train nerfacto --data {PROCESSED_DATA_DIR}

我们可以这样写：

ns-train nerfacto --data data/demorobo

如果此时报错无法下载权重：

Saving config to: outputs\demorobo\nerfacto\2024-02-29_113035\config.yml             experiment_config.py:136
Saving checkpoints to: outputs\demorobo\nerfacto\2024-02-29_113035\nerfstudio_models           trainer.py:136
[11:30:36] Auto image downscale factor of 1                                                 nerfstudio_dataparser.py:484
Loading data batch ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 100% 0:00:00
Started threads
Setting up evaluation dataset...
Caching all 7 images.

Downloading: "https://download.pytorch.org/models/alexnet-owt-7be5be79.pth" to C:\Users\28291/.cache\torch\hub\checkpoints\alexnet-owt-7be5be79.pth                                                      
  2%|███▋                                                                                                                                                         | 5.41M/233M [11:36<8:07:48, 8.16kB/s]
......
......
......
TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。

可以手动下载权重，在命令行输入：

curl -o C:/Users/28291/.cache/torch/hub/checkpoints/alexnet-owt-7be5be79.pth https://download.pytorch.org/models/alexnet-owt-7be5be79.pth

这样就可以正常训练了，能看到以下内容说明训练开始：
在这里插入图片描述

在服务器：http://localhost:7007里就可以实时查看训练进度。

看到以下内容说明训练结束：

在这里插入图片描述

输入ctrl+c退出训练。

评估训练指标

如果想评估训练指标，官网给的指令是：

ns-eval --load-config={PATH_TO_CONFIG} --output-path=output.json

就是把输出文件夹替换掉这个目录即可：

ns-eval --load-config=outputs/demorobo/nerfacto/2024-02-29_120354/config.yml --output-path=output.json

这样可以在项目根目录下的看到一个output.json文件，用记事本打开就可以看到指标：

{
  "experiment_name": "demorobo",
  "method_name": "nerfacto",
  "checkpoint": "outputs\\demorobo\\nerfacto\\2024-02-29_120354\\nerfstudio_models\\step-000029999.ckpt",
  "results": {
    "psnr": 22.653573989868164,
    "psnr_std": 2.9266517162323,
    "ssim": 0.7372194528579712,
    "ssim_std": 0.10289175808429718,
    "lpips": 0.08905620872974396,
    "lpips_std": 0.026574086397886276,
    "num_rays_per_sec": 244670.8125,
    "num_rays_per_sec_std": 78561.875,
    "fps": 0.46850264072418213,
    "fps_std": 0.1504325270652771
  }
}

如果想在关闭后查看渲染情况，官网给的指令是：

ns-viewer --load-config {outputs/.../config.yml}

比如我的就是：

ns-viewer --load-config outputs/demorobo/nerfacto/2024-02-29_120354/config.yml

然后点击Viser就可以打开可视化工具了。因为我训练的图片数量比较少，且分辨率比较低，所以目前只能得到这样的效果：

在这里插入图片描述

当然也可以在这里查看深度图等其他类型的可视化：

在这里插入图片描述

至于更多的使用方式，可以在官网查看介绍视频，说的很详细。

孤心不寒

关注

29
点赞
踩
64

收藏

觉得还不错? 一键收藏
31
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫