PVNet位姿估计网络简单复现2022-5-21

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。

样例数据集：https://zjueducn-my.sharepoint.com/:u:/g/personal/pengsida_zju_edu_cn/Ec6Hd9j7z4lCiwDhqIwDcScBGPw2rsbn6FJh1C2FwbPJTw?e=xcKGAw(本文用到了)

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。