linux flownet1.0 训练flying chairs数据集全过程

最新推荐文章于 2022-10-09 15:46:01 发布
最新推荐文章于 2022-10-09 15:46:01 发布
阅读量4.3k 收藏 16
点赞数 3
分类专栏： caffe linux flownet
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/sudakuang/article/details/80643358
版权
本文详细介绍了在Linux环境下使用Flownet 1.0训练Flying Chairs数据集的全过程，包括数据集划分、修改prototxt文件、训练与测试流程。在训练过程中，提到了可能出现的路径问题以及调试方法，并提醒读者注意保存模型和脚本的组织方式。
摘要由CSDN通过智能技术生成

 

flownet编译见前一篇

1. 下载flyingchairs数据集

wget http://lmb.informatik.uni-freiburg.de/data/FlyingChairs/FlyingChairs.zip
unzip FlyingChairs.zip

 

2. 将数据集分成1：6，做为训练集和测试集，注意两幅图和flo之间的对应关系

train.prototxt网络中的root路径+文件索引=数据的路径

3. 改train.prototxt的数据路径

 

 

4. 训练

   方式1.使用官网上给出的py文件train_flownet.py的脚本，将里面的model_simple文件换成自己的

python2.7 train_flownet.py S

 

方式二：可以看到上面的py实际上就是使用python接口调用了caffe.bin

执行以下代码，因此完全可以直接执行，这样可以看到报错信息，方便调试


                

        

        

    

  


        

            

                    
                      最低0.47元/天 解锁文章
                        
                    
            

        

    

      

        

            

              
                
                  evanna-y
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          









                



	

		

			

				
					
光流数据集FlyingChairs下载连接

				
			

			

				

					东方佑
				

				

					12-17
					
					1513
					
				

			

		

		

			
				
http://lmb.informatik.uni-freiburg.de/data/FlyingChairs/FlyingChairs.zip



			
		

	



                

              
                



	

		

			

				
					
flyingchair(飞椅数据集（部分）)

				
			

			

				

					02-12
				

			

		

		

			
				
该数据集是开源的，由于国内没有下载的地方，我找寻该数据集也花费了大量的时间，故将数据集上传到CSDN博客，希望帮助到大家。

			
		

	



                


  
              

                


	

		

			

				
					
内含monkaa、driving、flyingchairs数据集

				
			

			

				

					09-12
				

			

		

		

			
				
用blender做的3D引擎，包括光流数据、相机数据、RGB图像、视差及视察变化等数据包，可以用来训练神经网络，只提供样本，完整数据集地址在txt文档里。

			
		

	





	

		

			

				
					
自定义flycharis数据集

				
			

			

				

					qq_41942564的博客
				

				

					09-20
					
					756
					
				

			

		

		

			
				
flycharis数据集包含一对图像和对应的光流序列（00001_img1.ppm, 00001_img2.ppm, 00001_flow.flo)

自己定义的数据集需要继承抽象类class torch.utils.data.Dataset，并且需要重载两个重要的函数：__len__ 和__getitem__,其中：(1). 在__init__中是初始化了该类的一些基本参数;
(2). __getitem__中是真正读取数据的地方，迭代器通过索引来读取数据集中数据，因此只需要这一个方法中加入读取数据的相关

			
		

	



		

			
		



	

		

			

				
					
FlowNet: Learning Optical Flow with Convolutional Networks

				
			

			

				

					网瘾少年康复中心
				

				

					05-12
					
					2305
					
				

			

		

		

			
				
摘&介
CNN一直在识别领域大放异彩，是时候在立体匹配部分展示自己能力了。立体匹配是精确的全像素定位。需要找到两个输入图片之间的关系。不光要学习图像的特征表达，还要学习两图之间的匹配位置关系。光流估计与以往的CNN不同。
我们也不确定CNN能否解决这样的问题，因此格外的引入链接层，这个连接层是具有匹配的能力的。算法是训练成端到端的。思路是详尽的利用卷积网络的在不同尺度和抽象层面的强大的特征表示

			
		

	





	

		

			

				
					
Linux caffe+flownet1.0 +flownet2.0

				
			

			

				

					sudakuang的博客
				

				

					06-08
					
					1308
					
				

			

		

		

			
				
1. 安装caffegit  clone  https://github.com/BVLC/caffe/pull/6176 # github 下载caffe
cd caffe cd到caffe文件夹下
ls # 看一下都有什么文件
sudo cp Makefile.config.example Makefile.config  复制
sudo vim Makefile.config #不加vim可...

			
		

	





	

		

			

				
					
Flownet2.0训练过程全指导

				
			

			

				

					qq_40595812的博客
				

				

					04-04
					
					9146
					
				

			

		

		

			
				
Windows10下运行flownet2.0有关电脑配置信息、代码和数据集电脑配置代码Flying_chairs数据集环境配置欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTe...

			
		

	





	

		

			

				
					
FlowNet1.0的spatial_correlation_sampler-x.x.x.tar.fz CPU版本安装

				
			

			

				

					wasjrong的博客
				

				

					09-05
					
					1391
					
				

			

		

		

			
				
FlowNet1.0的spatial_correlation_sampler-x.x.x.tar.fz CPU版本安装spatial_correlation_sampler-x.x.x.tar.gz CPU版本安装工具准备功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FL

			
		

	





	

		

			

				
					
基于flownet2-pytorch在微表情数据集上进行光流预测

				
			

			

				

					qq_42248452的博客
				

				

					07-30
					
					2976
					
				

			

		

		

			
				
Reference：
1. 光流估计——从传统方法到深度学习
2. Flownet2 NVIDIA pytorch最新安装教程 有效的避坑教程
3. 使用NVIDIA flownet2-pytorch实现生成光流

一、环境配置

默认背景：已安装好Anaconda3，cuda 10.0，cuDnn 7.6.0


安装Anaconda3：镜像下载地址
修改jupyter notebook默认工作路径：


anaconda prompt 中jupyter notebook --generate-conf.

			
		

	





	

		

			

				
					
flownet~

				
			

			

				

					01-25
				

			

		

		

			
				
视频超分的入门经典作品，最新的结果，世界前沿的技术。

			
		

	





	

		

			

				
					
C#使用TensorFlow.NET训练自己的数据集的方法

				
			

			

				

					08-19
				

			

		

		

			
				
主要介绍了C#使用TensorFlow.NET训练自己的数据集的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

			
		

	





	

		

			

				
					
FlowNet2_CSS.part01.rar

				
			

			

				

					06-15
				

			

		

		

			
				
光流计算方法FlowNet2-CSS的训练文件1，非常好用的，能获得较好的结果

			
		

	





	

		

			

				
					
flownet2-pytorch:FlowNet 2.0的Pytorch实施

				
			

			

				

					04-01
				

			

		

		

			
				
flownet2-pytorch
 FlowNet Pytorch实现。
 支持多种GPU训练，并且代码提供了有关干净数据集和最终数据集的训练或推理示例。 相同的命令可用于训练或推断其他数据集。 有关更多详细信息，请参见下文。
 还支持使用fp16（半精度）进行推理。
 如需更多帮助，请键入
python main.py --help
网络架构
以下是提供的不同Flownet神经网络架构。 每个网络的batchnorm版本也可用。
 FlowNet2S
 FlowNet2C
 FlowNet2CS
 FlowNet2CSS
 FlowNet2SD
 FlowNet2
自定义图层
FlowNet2或FlowNet2C*结构依赖于自定义层Resample2d或Correlation 。 这些层与CUDA内核的pytorch实现可在 。 注意：当前，半精度内核不适用于这些层。
数据加载器
dat

			
		

	





	

		

			

				
					
利用预训练好的模型实现 FlowNetPytorch（ubuntu18.04 cuda10.1 cudnn7.6.4）

				
			

			

				

					weixin_43969966的博客
				

				

					02-12
					
					2112
					
				

			

		

		

			
				
光流的定义之类的，大家如果不了解可以自行搜索，这里就不讲了。

要进行光流提取，有很多传统的方法，不一定要用深度学习，例如用opencv里面自带的方法也可以做。这里说一说flownet这个网络 目前看有v1 v2 v3了 原作者的github一直在更新也给了docker版本，奈何我这里配置docker的images就用不了，因此在网上找到了一个pytorch的实现。这里把实现过程分享给各位。

第...

			
		

	





	

		

			

				
					
【论文简述及翻译】FlowNet: Learning Optical Flow with Convolutional Networks（ICCV 2015）

				
			

			

				

					qq_43307074的博客
				

				

					10-09
					
					501
					
				

			

		

		

			
				
【论文简述及翻译】FlowNet: Learning Optical Flow with Convolutional Networks（ICCV 2015）

			
		

	





	

		

			

				
					
FlowNet 2.0的阅读笔记

				
			

			

				

					bettii的博客
				

				

					05-16
					
					700
					
				

			

		

		

			
				
前言：最近实验做的不是很顺利，希望自己多看论文，走出焦虑，然后写点博客记录自己的阅读心得，并督促自己坚持下去！
论文题目：FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks
下载地址：（这里）https://arxiv.org/abs/1612.01925
自己对光流的接触不是很多，FlowNet1.0还没有看。FLowNet2.0是Eddy Ilg在德国的弗莱堡大学读博士期间发表在CVPR2017上的一篇关于光流的文章。

			
		

	





	

		

			

				
					
[翻译]FlowNet: Learning Optical Flow with Convolutional Networks

				
			

			

				

					weixin_42164269的博客
				

				

					06-07
					
					4015
					
				

			

		

		

			
				
摘要

卷积神经网络（CNNs）最近在各种计算机视觉任务中非常成功，特别是那些与识别有关的任务。光流量估计并不在CNN能够成功完成的任务当中。本文提出了一种能够将光流估计问题作为监督学习任务的CNNs。我们提出并比较两个架构：一个通用架构和另一个架构，包括一个在不同的图像位置关联特征向量的层。由于现有的地ground truth数据集不够大，不足以训练CNN，所以我们生成了一个大型的合成Flyin...

			
		

	





	

		

			

				
					
一文搞懂光流数据集

				
			

			

				

					m0_63642362的博客
				

				

					10-08
					
					4445
					
				

			

		

		

			
				
光流领域数据集众多，且训练数据集和验证数据集通常不是一个，为此，本文梳理了主流的数据集信息，并在文章最后实现了光流可视化。

			
		

	





	

		

			

				
					
flownet数据读入

					
最新发布

				
			

			

				

					04-05
				

			

		

		

			
				
FlowNet模型是一种用于光流估计的卷积神经网络，需要输入两张图像（通常是相邻的帧），并输出它们之间的光流场。

在实现FlowNet时，我们需要将这两张图像输入到网络中。具体来说，我们需要将它们转换为张量，并将它们组合成一个4D张量。通常情况下，我们会将这两张图像的通道数设置为6，其中前三个通道表示第一张图像的RGB值，后三个通道表示第二张图像的RGB值。

在PyTorch中，我们可以使用torchvision包中的transforms模块来读入和预处理图像。具体来说，我们可以使用以下代码将两张图像的路径读入，并将它们转换为张量：

```
import torch
import torchvision.transforms as transforms

# 读入两张图像
img1_path = 'path/to/image1.jpg'
img2_path = 'path/to/image2.jpg'

# 定义预处理函数
transform = transforms.Compose([
    transforms.ToTensor(),
])

# 将两张图像转换为张量
img1 = transform(Image.open(img1_path))
img2 = transform(Image.open(img2_path))

# 将两张图像组合成4D张量
input_tensor = torch.cat([img1, img2], dim=0).unsqueeze(0)
```

在这里，我们首先定义了一个预处理函数，它将图像转换为张量。然后，我们使用该函数将两张图像读入并转换为张量。最后，我们将这两张图像组合成一个4D张量，并使用unsqueeze函数将其扩展为一个batch。现在，我们可以将此张量输入到FlowNet模型中进行光流估计。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 4

	

	
	




  

    

      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