RandlaNet 从环境配置到C++推理部署

已于 2023-04-22 18:18:31 修改
阅读量676 收藏 5
点赞数 1
分类专栏： Randlanet 从环境配置到c++推理部署 文章标签： ubuntu linux 运维
于 2023-02-27 13:59:37 首次发布
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/weixin_40653140/article/details/129238027
版权

这是关于 Randlanet 从环境配置到C++推理部署 的博客，原作者的代码是基于tensorflow1.x的，但是现在的显卡基本上都开始是30系列了，只支持cuda11.1以上的开发环境。本系列博客是基于tensorflow-2.6.0 + 3050显卡开发的，在win和ubuntu都会有环境配置到训练自己数据集的教程，并且会有如何将Randlanet加入到自己软件的教程

本篇博客是内容大纲

文章目录

1.Randlanet ubuntu+30显卡 + TF2环境 训练Semantic3D

2.Randlanet win +30显卡 + TF2环境 训练Semantic3D

3.Randlanet 训练自己的数据集 （数据集制作）

4.Randlanet 训练自己的数据集 （代码编写与程序改动）

5.将Randlanet加入到自己软件（1）

6.将Randlanet加入到自己软件（2）

7.将Randlanet加入到自己软件（3）

重要链接：

原作者的知乎
论文地址

Nice_cool.
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
点云语义分割：RandLANet模型推理C++部署（1）
zhaoguanhua的博客
09-17 2775
一、dataset接口转placeholder接口 二、ckpt模型转pb模型 三、C++部署
点云语义分割：RandLANet模型推理C++部署(2)
zhaoguanhua的博客
12-03 3319
一、数据读取及预处理 二、模型推理 三、结果保存
RandLA-Net-tensorflow2：RandLA-Net的Tensorflow2实现
02-16
RandLA-Net-tensorflow2 RandLA-Net的TensorFlow 2实现
在NVIDIA JETSON TX2板子上部署RandLA net进行推理
Tyrol29的博客
02-28 168
N: 鉴于仓库 ‘https://repo.download.nvidia.com/jetson/common r32.5 InRelease’ 不支持 ‘amd64’ 体系结构，跳过配置文件 ‘main/binary-amd64/Packages’ 的获取。昨天尝试了在板子上编译tensorflow C++动态库，但是由于网络问题最后一步始终失败，并且原本使用的tensorflow 版本为2.6.0，官方说要求cuda版本11.0以上，最后能否运行还是未知数。遂将安装的环境删了，重新运行。
点云语义分割：RandLANet模型推理部署
zhaoguanhua的博客
09-13 2973
当模型训练稳定之后，就开始对模型进行部署了。 dataset修改 test修改 结果
RandLA-net网络环境配置
Shen_withDL的博客
09-07 1694
超算平台下配置RandLA-net网络环境 RandLA-net网络环境配置 在github上找到RandLA-net网络，按照配置步骤进行配置。 链接：RandLA-net网络 由于超算平台不需要虚拟环境，因此前两步可以直接跳过。直接从 pip install -r helper_requirements.txt 开始配置就行。（建议在配置之前通过pip list命令查看平台的python环境是否包含该txt文件中的配置） 执行命令sh compile_op.sh 若出现无法执行的情况，可以直接打开com
vim配置C/C++开发环境.zip
11-07
vim配置C/C++开发环境，包括函数补全小括号补全等等，基本跟ide差不多，内附步骤。 注：vim中需要使用tab键来调出下拉框
vscode C/C++环境配置助手
03-05
帮助小白快速搞定vscode C/C++环境配置（来自GitHub,非原创）。
VSCode配置C++环境的方法步骤（MSVC）
08-19
主要介绍了VSCode配置C++环境的方法步骤，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
vscode配置C++环境的图文教程
08-19
为 gdb 启用整齐打印
VS Code 配置C++编译环境.docx
09-15
VS Code 中配置 C/C++ 编译环境，无需进行tasks.json、launch.json、c_cpp_properties.json 文件的配置
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020）-python
06-18
RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。 技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 [Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http
Randlanet 代码阅读 TF2 【网络结构】
点云算法工程师
04-24 286
主要看 inference（）定义 feature dimension。
Ubuntu18.04复现RandLA-Net(SemanticKITTTI数据集)----1.环境配置
m0_62648611的博客
07-13 1214
本文主要是复现RandLANet第一步，深度学习环境配置
深度学习-ubuntu18.04+RTX3080下安装RandLA-NET踩坑全纪录
weixin_40826634的博客
10-24 1977
根据网上教程，用conda创建Tensorflow虚拟环境，然后在里面安装了Tensorflow，结果发现在后来创建的randlanet虚拟环境中无法使用，才明白不同虚拟环境之间环境不能互相使用，但是cuda和cudnn是在本地安装的，后来成功的测试表明，虚拟环境可以使用本地的环境。所以Tensorflow安装在本地或者randlanet虚拟环境都可以，弄明白虚拟环境后，本人将Tensorflow安装在了randlanet虚拟环境虚拟环境，当然需要第６步执行完才能安装，安装命令如下。最后测试是否安装成功。
【代码阅读】RandLA-Net
麒麒哈尔的博客
05-19 9927
文章目录数据预处理dataset RandLa-Net是新提出来的针对大场景语义分割的方法，效果拔群。我对该文章的解读可以看我另外一篇博客，论文作者给出的代码是TensorFlow版本的。 接下来，我们就看一下这个代码都做了什么操作。以SemanticKitti为例。 数据预处理 # utils/data_prepare-semantickitti.py # line 42-50 points = DP.load_pc_kitti(join(pc_path, scan_id)) labels = DP.l
RandLA-Net源码学习（1）：data_prepare_semantic3d模块
ssssshans的博客
03-05 1070
先放上RandLA-Net的github链接GitHub - QingyongHu/RandLA-Net: 🔥RandLA-Net in Tensorflow (CVPR 2020, Oral & IEEE TPAMI 2021) 作者分别在S3DIS、Semantic3D和 SemanticKITTI数据集上做了分割测试、在dataset部分针对semantic3d的数据导入模式做一点小笔记，其中包括了数据预处理：kdtree的建立和下采样部分，写的稍详细点以便今后查阅。 BASE_DIR
CVPR2020 RandLA-Net 代码阅读
江小举的博客
03-25 9478
论文：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 代码：Github 记录一下RandLANet代码的阅读笔记，如有出错欢迎讨论。 一、RandLA-Net网络结构 下图这个是本地聚合模块 网络架构的详细信息。整个网络就是由本地聚合模块堆叠而成的。 二、项目结构 整个项目文件非常简洁。 ...
RandLA-Net源码解析
3D的博客
03-03 5696
前言 以运行S3DIS数据集为例. 该文章不是运行指南，仅为阅读源码的笔记。 数据准备 下载数据集解压到/data/S3DIS/Stanford3dDataset_v1.2_Aligned_Version文件夹中。 Stanford3dDataset_v1.2_Aligned_Version文件夹中包含多个Area_*（区域）文件夹。 每个Area（区域）文件夹中包含多个场景文件夹。 每个场景文件夹（以Area_1\conferenceRoom_1为例）中主要包含一个场景点云文件conferenceRo
huggingface模型推理
最新发布
04-10
Hugging Face是一个自然语言处理（NLP）模型工具库的开源社区。它提供了一个名为Transformers的Python库，用于训练、使用和部署各种预训练的NLP模型。 在Hugging Face中进行模型推理的一种常见方式是使用预训练的模型进行文本生成或文本分类任务。首先，你需要选择一个适合你任务的预训练模型，例如BERT、GPT等。然后，使用Hugging Face提供的模型加载方法将模型加载到内存中。 一旦模型加载完成，你可以使用模型的generate方法来生成文本，或者使用模型的predict方法进行文本分类。对于生成文本任务，你可以提供一个输入文本，然后模型会根据输入生成相应的输出。对于文本分类任务，你可以提供一个输入文本，然后模型会返回该文本所属的类别。 以下是使用Hugging Face进行模型推理的一般步骤： 1. 选择适合你任务的预训练模型。 2. 使用Hugging Face提供的模型加载方法将模型加载到内存中。 3. 根据你的任务需求，使用generate方法生成文本或使用predict方法进行文本分类。 4. 处理模型的输出结果，并根据需要进行后续操作。

“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