MVSNet服务器环境配置及测试

一. 环境配置

1. 安装Anaconda

最新版即可，详见：配置深度学习环境（Linux服务器）

2. 创建conda环境

conda create -n MVSNet python=3.7

激活环境

conda activate MVSNet

3. 在conda中安装Pytorch

根据CUDA版本在pytorch官网中找到对应的下载（我的CUDA是11.4）

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

Pytorch版本一定要和cuda对应，不要直接粘贴上文，否则有问题！

4. 安装各种包

安装OpenCV

pip install opencv_python==3.4.2.17
pip install opencv-contrib-python==3.4.2.17

安装tensorboard

pip install protobuf==3.19.1
pip install tensorboardX==1.8
pip install tensorboard==1.14.0

如果还缺什么，就装什么。

至此，环境就配好了！

二. 测试

1. 测试代码（自己写的）

随机生成图像和内外参，可以快速测试代码并学习网络。

python temp.py --numdepth=192

import argparse
import torch
import torch.backends.cudnn as cudnn
from models import *
from utils import *


cudnn.benchmark = True

parser = argparse.ArgumentParser(description='A PyTorch Implementation of MVSNet')
parser.add_argument('--model', default='mvsnet', help='select model')
parser.add_argument('--lr', type=float, default=0.001, help='learning rate')
# 训练中采用了动态调整学习率的策略，在第10，12，14轮训练的时候，让learning_rate除以2变为更小的学习率
parser.add_argument('--lrepochs', type=str, default="10,12,14:2", help='epoch ids to downscale lr and the downscale rate')
#  weight decay策略，作为Adam优化器超参数，实现中并未使用
parser.add_argument('--wd', type=float, default=0.0, help='weight decay')
#parser.add_argument('--batch_size', type=int, default=12, help='train batch size')
# 深度假设数量，一共假设这么多种不同的深度，在里面找某个像素的最优深度
parser.add_argument('--numdepth', type=int, default=192, help='the number of depth values')
# 深度假设间隔缩放因子，每隔interval假设一个新的深度，这个interval要乘以这个scale
parser.add_argument('--interval_scale', type=float, default=1.06, help='the number of depth values')


model = MVSNet(refine=False).cuda()

with torch.no_grad():
    imgs = torch.rand((4, 3, 3, 512, 640)).cuda()
    proj_matrices = torch.rand((4, 3, 4, 4)).cuda()
    depth_values = torch.rand((4, 192)).cuda()
    model(imgs, proj_matrices, depth_values)

2. train.sh（改路径即可）

#!/usr/bin/env bash
MVS_TRAINING="/data/dtu/mvs_training/dtu/"
CUDA_VISIBLE_DEVICES=1 python train.py --dataset=dtu_yao --batch_size=2 --trainpath=$MVS_TRAINING --trainlist lists/dtu/train.txt --testlist lists/dtu/test.txt --numdepth=192 --logdir ./checkpoints/d192 $@

3. eval.sh（改路径即可）

#!/usr/bin/env bash
DTU_TESTING="/data/dtu_test/"
CKPT_FILE="./checkpoints/d192/model_000004.ckpt"
CUDA_VISIBLE_DEVICES=1 python eval.py --dataset=dtu_yao_eval --batch_size=1 --testpath=$DTU_TESTING --testlist lists/dtu/test.txt --loadckpt $CKPT_FILE $@

 记得把eval.py中的save_depth()之前的#去掉，要不然跑不通！

一点心得1：网上有很多博主写了配环境的帖子，参考之后我并没有配置成功，猜测可能是因为服务器等客观因素吧。只能说，每个博主至少在自己机子上是可以运行的，包括我这篇，但不代表你就能成功！建议大家直接先在自己配好的环境里跑一下试试（有项目可以直接成功运行的环境），没准大力就出奇迹了！！！

一点心得2：阅读原码的时候，千万别手抖，删了什么或者加了空格，一旦原码报错，还找不到问题，简直怀疑人生！！！