（深度估计学习）STEPS复现Win11

最新推荐文章于 2024-07-18 21:11:52 发布
最新推荐文章于 2024-07-18 21:11:52 发布
阅读量115 收藏
点赞数 3
分类专栏： 深度估计 文章标签： 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Wu_JingYi0829/article/details/139066033
版权

目录

论文链接：https://github.com/ucaszyp/STEPS?tab=readme-ov-file/
讲解链接：https://air.tsinghua.edu.cn/info/1008/2051.htm

1. 系统配置

本人系统：Win11 CUDA11.1 python3.7（下面的教程是安装CUDA12.2的）

这里附上几个CUDA安装链接：

  1. 安装CUDA和CudaNN
  2. CUDA Toolkit 12.2 Update 2 Downloads
  3. cuDNN Archive，这里我选择的：Download cuDNN v8.9.7 (December 5th, 2023), for CUDA 12.x
  4. windows下切换不同版本cuda

2. 拉取代码，配置环境

首先，克隆 github 仓库

git clone git@github.com:ucaszyp/STEPS.git
cd STEPS

下载权重

https://drive.google.com/drive/folders/16bqgIYBDg4dd9eGFWYL6Cyp5xCs4-DbI

创建 conda 环境。

conda create -n STEPS python=3.7 
conda activate STEPS  
pip install torch==1.8.0+cu111 torchvision==0.9.0 torchmetrics==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html 
pip install pytorch-lightning==1.6.4
pip install -r requirements.txt

4.数据集下载：

训练数据集-Nuscenes

作者只用了package1、2、5、9、10，下载着五个就行
全网首发 nuScenes数据集（百度网盘 + 迅雷网盘） + 下载方法

测试数据集-Nuscenes

https://drive.google.com/drive/folders/1n2WsaGtB-tRiPyee-vAYF6Cd7EZr4RGe
在这里插入图片描述

权重下载

https://drive.google.com/drive/folders/16bqgIYBDg4dd9eGFWYL6Cyp5xCs4-DbI
在这里插入图片描述
在这里插入图片描述

ResNet 预训练权重下载

由于在测试的时候报了一个缺少resnet预训练权重的错误，我们这里提前将其下载好
选择一个连接点进去下载就可以了，将其放到Res_Models下面

'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',

在这里插入图片描述

5.Test

数据组织

下载好的test_ns数据选择color或者color_denoise放入data/nuScenes-Night/test
在这里插入图片描述
注意文件位置不要放错了，不然报错很多

并修改datasets/common.py下的数据：

在这里插入图片描述

修改如下两处地方的代码：

加上 .split(“__”)[2]
在这里插入图片描述
因为作者给的gt没有前缀
在这里插入图片描述

运行代码：

sh scripts/test_ns.sh

#!/usr/bin/env bash

CUDA_VISIBLE_DEVICES=0 python test_nuscenes_disp.py night steps_ns best/ns_best_denoise.ckpt --test 1
cd evaluation
python eval_nuscenes.py night
cd ..
python show_predictions.py
# done

scripts/test_ns.sh中我添加了一个show_predictions.py让他输出predictions.npy中的内容，但是效果不尽人意，怀疑epoch=11太少了？所以效果不好？求求大佬解答！

# show_predictions.py

import os.path

import numpy as np
import numpy as np
from plyfile import PlyData, PlyElement
import cv2
import os

file_path = "evaluation/ns_result/predictions.npy"
output_dir = "output"
os.makedirs(output_dir, exist_ok=True)

# 加载 .npy 文件
data = np.load(file_path)  # [图片个数，深度图长，深度图宽]

# 循环遍历每一个深度图
for i in range(len(data)):
    depth_image = data[i]
    # 如果深度图的值需要归一化到16位图像的范围
    if depth_image.dtype != np.uint16:
        # 归一化到16位的范围
        depth_image = ((depth_image - depth_image.min()) / (depth_image.max() - depth_image.min()) * 65535).astype(
            np.uint16)
        depth_path = os.path.join(output_dir, str(i))
        cv2.imwrite(f"{depth_path}.png", depth_image)

运行结果

在这里插入图片描述

6.Train

噫吁嘻嘻嘻嘻
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于深度强化学习的车道线检测和定位（Deep reinforcement learning based lane detection and localization） 论文解读+代码复现
Wincher's blog
12-17 7820
之前读过这篇论文，导师说要复现，这里记录一下。废话不多说，再重读一下论文。 注：非一字一句翻译。个人理解，略有偏颇。 基于深度强化学习的车道检测和定位 官方源码下载：https://github.com/tuzixini/DQLL 论文原文：https://www.sciencedirect.com/science/article/pii/S0925231220310833 摘要 基于深度学习的车道检测方法只检测带有粗略边框的车道线，而忽略了特定曲线车道的形状。针对上述问题，本文将深度强化学习引入粗车道检测
深度学习各类学习率调整策略示例代码
03-16
深度学习在训练模型时，学习率（Learning Rate）的调整是优化过程中至关重要的一环。学习率决定了模型参数更新的步长，过高可能导致模型震荡不收敛，过低则可能使模型训练速度过慢。本资源提供了多种学习率调整策略...
【论文复现】zoedepth踩坑
prinTao的博客
12-10 842
使用numpy加载测试，必须归一化到【0，1】保证输入、输出精度、类型与复现目标一致。输入图像：uint8 960*1280。
（深度估计学习）Marigold复现Win11
Wu_JingYi0829的博客
06-20 480
试过docker但是一直run不起来。
（深度估计学习）DepthFM复现Win11
Wu_JingYi0829的博客
05-14 729
创建 conda 环境。这里我之前的环境是cuda11.8就失败了，然后换到了cuda12.2。本人系统：Win11 CUDA12.2 python3.11.5。在windows里面直接设置环境变量。首先，克隆 github 仓库。
利用深度学习算法控制四轴飞行器速度
05-17
但是这种方法使用深度学习算法达到收敛至少要 80-100w steps 左右 这里我们使用 5 个维度的输出，利用基础电压 + 修正电压的方式控制 4 个马达 这个修改可以让深度学习算法在 3w-5w steps 左右就开始快速收敛 把...
RNN.zip_RNN_python_深度学习
09-21
**循环神经网络（RNN）在Python和深度学习中的应用** 循环神经网络（Recurrent Neural Networks，简称RNN）是一种特殊类型的神经网络，主要用于处理序列数据，如文本、时间序列等。RNN的设计允许信息在模型内部流动...
医学图像分割经典深度学习网络Python代码实现
05-19
python main.py --train ./data/membrane/train --test ./data/membrane/test --steps 100 --epochs 25 TensorFlow 2
2024Datawhale AI夏令营---基于术语词典干预的机器翻译挑战赛--学习笔记
weixin_61573157的博客
07-15 1089
机器翻译（Machine Translation，简称MT）是自然语言处理领域的一个重要分支，其目标是将一种语言的文本自动转换为另一种语言的文本。机器翻译的发展可以追溯到20世纪50年代，经历了从基于规则的方法、统计方法到深度学习方法的演变过程。当前，机器翻译正朝着更加智能化和个性化方向发展。一方面，结合上下文理解、情感分析等技术，提高翻译的准确性和自然度；另一方面，通过用户反馈和个性化学习，提供更加符合用户需求的翻译服务。同时，跨语言信息检索、多模态翻译等新兴领域也正在成为研究热点。
昇思25天学习打卡营第14天|LLM-文本解码原理--以MindNLP为例
wwt72的博客
07-17 613
限制输出序列的最大长度为50个token。top-p=0.95，top-p采样表示在每一步生成token时，只从概率分布中累计概率达到95%的token中进行采样，有助于保持生成文本的流畅性和质量，同时允许一些低概率的token被选中，从而增加多样性。表示禁用了top-k采样，因为在top-k采样中，通常是从概率最高的k个token中随机选择一个token作为下一个输出，而这里设置为0表示不限制token的选择，实际上这将等同于使用 softmax 概率分布直接进行采样。这有助于提高生成文本的多样性。
实现了一个心理测试的小程序，微信小程序学习使用问题总结
yuanfangderen
07-15 378
6. 如何获取多个 radio 框的值（不是表单）。可以借助bindchange 方法 加 e.target.dataset.xx， xx 类似js的name属性，然后e.detail.value 相当于js的 value。bindchange 方法 参数e, e.detail.value。如果想要获取其他属性，使用data-xx 指定，然后 e.target.dataset.xx 获取。3. 不刷新页面的情况下，清除radio选中的值。7. 使用setData 才会双向绑定 标签中的元素。
NumPy库学习之np.random.rand函数
qq_46396470的博客
07-15 303
是 NumPy 库中的一个函数，用于生成随机数。这些随机数是从均匀分布 [0, 1) 中抽取的，即每个数都在0到1之间，但不包括1。
kubernetes学习日志（七）
最新发布
qq_47037022的博客
07-18 366
本文记录了service管理，ingress管理，Dashboard管理插件，集群鉴权策略，角色与全局角色，赋权与全局角色赋权。
钓鱼攻击 - 基础学习
Reset
07-16 697
钓鱼攻击是一种典型的欺诈式攻击手段，攻击者通过伪装成可以信任的角色，利用电子邮件或其他通信渠道向被攻击者发送植入了木马的文档或恶意链接，并诱骗被攻击者点击执行，从而实现对被攻击者计算机的远程控制或恶意程序感染。
python 语法学习 day 7
2303_79973545的博客
07-15 312
-----元组之间可以进行比较，比较的规则是逐个比较元组中的元素。首先比较第一个元素，如果相等，则比较第二个元素，以此类推。如果所有元素都相等，那么元组相等；否则，比较的结果取决于第一个不相等元素的比较结果。题意:统计单词的种类以及数量(忽略大小写)，最终以降序输出（出现次数相同的单词根据单词的大小升序输出）-------掌握如何将一个英语句子中的单词拆出来,并且去掉标点符号。EOF，输入后产生异常-->>捕获异常，结束输入。第一次提交的答案是：先把所有输入值放在列表里面。------字典排序。
安卓学习中遇到的问题【bug】
小心星的博客
07-15 1083
安卓学习中遇到的问题【bug】
Cadence23学习笔记（三）
zjb6668的博客
07-15 350
焊接FPC的时候先上锡，焊台加热后再图上焊油，再放置元器件，再加热：万用表测电流只需要把表笔接到电流的孔位即可测量电流，不需要接再串联一个负载：有些线性电源两个通道可以串联，并联起来使用；
policygradient是强化学习还是深度强化学习
12-18
策略梯度法（Policy Gradient）是一种强化学习算法，它属于深度强化学习的范畴。在深度强化学习中，策略梯度法是一种基于策略的方法，它通过对策略进行参数化，并使用梯度的方法来更新策略，从而实现智能体的学习和决策。因此，策略梯度法是深度强化学习中非常重要的一种算法。 下面是一个使用策略梯度法解决CartPole问题的Python代码示例： ```python import gym import numpy as np import tensorflow as tf # 定义策略网络 class PolicyNetwork(tf.keras.Model): def __init__(self, num_actions): super(PolicyNetwork, self).__init__() self.dense1 = tf.keras.layers.Dense(32, activation='relu') self.dense2 = tf.keras.layers.Dense(num_actions, activation='softmax') def call(self, inputs): x = self.dense1(inputs) x = self.dense2(x) return x # 定义策略梯度算法 class PolicyGradient: def __init__(self, num_actions, learning_rate=0.01, gamma=0.99): self.num_actions = num_actions self.learning_rate = learning_rate self.gamma = gamma self.policy_network = PolicyNetwork(num_actions) self.optimizer = tf.keras.optimizers.Adam(learning_rate) def get_action(self, state): state = np.expand_dims(state, axis=0) action_probs = self.policy_network(state) action = np.random.choice(self.num_actions, p=np.squeeze(action_probs)) return action def update_policy(self, states, actions, rewards): with tf.GradientTape() as tape: action_probs = self.policy_network(states) actions_one_hot = tf.one_hot(actions, self.num_actions) action_probs = tf.reduce_sum(actions_one_hot * action_probs, axis=1) discounted_rewards = self._get_discounted_rewards(rewards) loss = -tf.reduce_mean(tf.math.log(action_probs) * discounted_rewards) grads = tape.gradient(loss, self.policy_network.trainable_variables) self.optimizer.apply_gradients(zip(grads, self.policy_network.trainable_variables)) def _get_discounted_rewards(self, rewards): discounted_rewards = np.zeros_like(rewards) running_total = 0 for i in reversed(range(len(rewards))): running_total = running_total * self.gamma + rewards[i] discounted_rewards[i] = running_total return discounted_rewards # 定义环境和训练参数 env = gym.make('CartPole-v0') num_actions = env.action_space.n policy_gradient = PolicyGradient(num_actions) num_episodes = 1000 max_steps_per_episode = 1000 # 训练策略网络 for episode in range(num_episodes): state = env.reset() episode_rewards = [] for step in range(max_steps_per_episode): action = policy_gradient.get_action(state) next_state, reward, done, _ = env.step(action) episode_rewards.append(reward) if done: break state = next_state policy_gradient.update_policy( states=np.array([state]), actions=np.array([action]), rewards=np.array(episode_rewards) ) if episode % 100 == 0: print("Episode {}/{}: Average reward = {}".format( episode, num_episodes, np.mean(episode_rewards) )) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值