结果图
说明
本博客编写于2022年5月21日,复现时间是2022年5月20日,复现网络是PVNet。
环境
unbuntu18.04.6LTS
cuda版本10.2
gcc版本7.5.0
python版本按照需要采用的是3.7
GPU:GTX1070
CPU:i7
其他配置和要求的应该一样了
所需资源下载
项目总地址:https://zju3dv.github.io/pvnet/
论文:https://arxiv.org/pdf/1812.11788.pdf
代码:https://github.com/zju3dv/pvnet
注意:这里说明以下本文用到的代码是pvnet中的clean-pvnet,在代码中有说明。
本文使用的代码:https://github.com/zju3dv/clean-pvnet(本文用到了)
“本文使用的代码”是我下载的项目文件,“代码”不是本文下载的文件。
注意:本文仅使用了LineMod数据集的一小部分,按照“本文使用的代码”链接的说明操作即可,有一定经验的人根据这个链接的提示操作完全能够复现。
训练前操作
数据集下载后的格式:
放在主文件中data目录下,像图片中的这样,否着路径会有问题。
配置环境:
conda create -n pvnet python=3.7
conda activate pvnet
# install torch 1.1 built from cuda 9.0
pip install torch==1.1.0 -f https://download.pytorch.org/whl/cu90/stable
pip install Cython==0.28.2
sudo apt-get install libglfw3-dev libglfw3
pip install -r requirements.txt
这里需要用到的pytorch环境是1.1.0,未试过最新的1.11.0环境,一般来说,还是按照需要的环境为好,否着容易出现由于版本迭代产生的问题。
对于最后一步,可以不必按照他的写法写,完全可以对照这requirements.txt文件自己慢慢用pip安装第三方包,一般来说,用官方镜像安装比较慢,可以试试用清华大学的镜像安装,如下面代码这样写:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy==1.16.4
这样下载速度很快,下载不同的包,直接改包名即可。
但仍然有无法安装需要版本的被包,如下图所示,怎么办,安装最新版的呗。这里numpy只能安装最新的,否着运行会有小问题。
环境配置好后,进行下一步
export CUDA_HOME="/usr/local/cuda-10.2"
python setup.py build_ext --inplace
cd ../nn
python setup.py build_ext --inplace
cd ../fps
python setup.py build_ext --inplace
# If you want to run PVNet with a detector
cd ../dcn_v2
python setup.py build_ext --inplace
# If you want to use the uncertainty-driven PnP
cd ../uncertainty_pnp
sudo apt-get install libgoogle-glog-dev
sudo apt-get install libsuitesparse-dev
sudo apt-get install libatlas-base-dev
python setup.py build_ext --inplace
首先临时配置CUDA的环境变量(这步不弄也可以,如果后面的操作没问题的话),然后在lib文件夹中的一个挺深的目录名为:ransac_voting的目录下打开终端(别忘记切换到pvnet虚拟环境),执行python setup.py build_ext --inplace命令,执行成功的话会在这个目录生成一个.so文件,然后按照提示分别在nn,fps文件夹里执行这个命令。至于后面的if的那些,随意,有的我执行不成功。
到这里会得到:
看那个代码,虽然标红,但实际上并不影响运行,我做过实验(我研究了很长时间)。
然后是运行代码:
python run.py --type custom
python train_net.py --cfg_file configs/custom.yaml train.batch_size 4
软链接那些没有必要做,执行这两行代码就可以训练了
训练5个epoch后,汇保存一个pth模型,保存在data/model中,
运行下面的命令可以肉眼看效果(前提是训练后得到了模型哦,否着无意义)。
python run.py --type visualize --cfg_file configs/custom.yaml
运行下面的命令可以看评价指标(前提是训练后得到了模型哦,否着无意义)。
python run.py --type evaluate --cfg_file configs/custom.yaml
最终结果
这个是跑了10个epoch的效果。
当然训练时间过少,效果也没有那么的好。
本博客写的匆忙,如果有不对指出,还请指正。