PoseDiffusion代码复现，初尝试（一）

已于 2023-12-25 10:37:45 修改
阅读量1.3k 收藏 39
点赞数 29
分类专栏： 三维重建 文章标签： 图像处理 pytorch
于 2023-12-25 10:35:00 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_45970109/article/details/135087646
版权

PoseDiffusion: Solving Pose Estimation via Diffusion-aided Bundle Adjustment 论文学习和代码复现

在这里插入图片描述

相关文章代码下载
https://github.com/facebookresearch/PoseDiffusion/tree/main

https://github.com/cvg/Hierarchical-Localization/tree/master

https://github.com/cvg/LightGlue

conda环境

可以直接看下面更新版，一步到位

新建conda虚拟环境（Python 3.9, PyTorch 1.13, and CUDA 11.6.）

在这里插入图片描述
报错
在这里插入图片描述

更新pip，又报错
在这里插入图片描述

加镜像源，pip更新成功
在这里插入图片描述

后面安装还有出现，下载速度慢，或者报错HTTPConnectionPool。。。Read timed out 都可以尝试换源

-i https://pypi.tuna.tsinghua.edu.cn/simple

服务器上直接clone github 项目会报错，可以下载到本地再传上去
https://github.com/facebookresearch/PoseDiffusion/tree/main
https://github.com/cvg/Hierarchical-Localization/tree/master
https://github.com/cvg/LightGlue

安装Hloc

要先安装LightGlue，再安装Hloc

查看Hloc路径下的requirements.txt 文件
（防止服务器访问github报错，自己下载LightGlue 后安装，并把那行注释掉
在这里插入图片描述

安装 LightGlue

进入对应目录下（我这里出现了网络错误，尝试换源就好了）

python -m pip install -e .
或者
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功
在这里插入图片描述

安装Hloc

进入对应目录Hierarchical-Localization下（我这里出现了网络错误，尝试换源就好了）

python -m pip install -e .
或者
python -m pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功
在这里插入图片描述

运行demo

在这里插入图片描述
先下载模型，放进新建文件夹 （pose_diffusion/CKPT），根据自己的情况更改
进入demo.py 的路径下，运行

python demo.py image_folder=“samples/apple” ckpt=“CKPT”

报错OSError: libcufft.so.10: cannot open shared object file: No such file or directory
在这里插入图片描述
都到这一步，以为要成功了，才发现torch和cuda-toolkit版本不对应
在这里插入图片描述
直接再下载一次codatoolkit=11.6也不行，算了，从头再来吧

更新版（从头开始）

新建conda虚拟环境（更新代码，一键配置）

直接进入对应文件夹，

source setup.sh

在这里插入图片描述

结束后，再接上面目录的安装Hloc

运行demo

可以开始尝试运行demo.py了，先根据上面下载运行demo

报错
在这里插入图片描述

尝试把VPN关掉，还是不行

尝试手动从github上，下载对应文件，根据提示放在对应位置

.cache/torch/hub/facebookresearch_dino_main

输入命令

python demo.py image_folder="samples/apple" ckpt="CKPT/co3d_model_Apr16.pth"

报错
ModuleNotFoundError: No module named ‘SuperGluePretrainedNetwork.models’
发现下载下来的third_party文件夹是空的，单独下载放进去
![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/5c7503a0ddfa424a8fcac81addaf6569.png

终于！！！！ 开始训练了！！！
看见进度条也太让人开心了
在这里插入图片描述
好的，又报错了，visdom连接错误
[visdom][INFO] - Socket refused connection, running socketless
在这里插入图片描述
输入代码查看visdom是否打开

python -m visdom.server

出现这个结果等待很长时间this may take a little while，最后还是出错
在这里插入图片描述

解决：找到visom安装的文件夹server.py，我的在anaconda3/envs/Posediffusion/lib/python3.9/site-packages/visdom/server/run_server.py，注释掉这一行

在这里插入图片描述
结果：visdom能打开了
在这里插入图片描述
解决：
再把demo.py文件里的这个部分注释掉
在这里插入图片描述

结果：不再报错，即demo正常运行结束

在这里插入图片描述

麻辣小香郭
关注
  • 29
    点赞
  • 踩
  • 39
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SuperGluePretrainedNetwork：SuperGlue：与图神经网络匹配的学习功能（CVPR 2020，口腔）
02-05
研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa
meshCNN分割准确率复现 - 使用官方代码
08-27
使用MeshCNN官方代码复现了其分割准确率，除了在chairs上的分割准确率偏低，其余均与论文一致 (相差不大，有高有低，大致相同)。 checkpoints文件包含： 1. 四个分割数据集的准确率testacc_log.txt以及最终生成的分割模型latest_net.pth 2. 在部分文件还保存有训练参数和loss_log。 3. 保存了部分测试模型的池化mesh (经过塌边后的模型)，方便可视化
导致ImportError: No module named 'xxx'问题的两种原因以及解决方案
lq_qingqing的博客
05-05 2万+
导致ImportError: No module named 'xxx'问题的两种原因以及解决方案 文件路径问题，工程路径问题
python脚本中出现问题ImportError: No module named 'pretrainedmodels'
panda_33的博客
04-10 7929
#问题 #解决方法 在Anaconda的命令行界面采用如下方式安装： pip install pretrainedmodels
LightGlue代码实现流程
qq_51745206的博客
01-17 3627
LightGlue的训练和测试
Python from 同级目录/文件夹 import时报错，或报ModuleNotFoundError: No module named ‘network.models‘
热门推荐
qq_39691492的博客
09-23 3万+
Python from同级目录/文件夹 import时报错 问题描述： 使用Pycharm打开Python工程，工程中有多个文件夹，打开其中一个.py文件，代码中： from .py文件的同级目录 import 类/函数/全局变量 如下图所示，其中network和dataset文件夹都与.py脚本在同级目录，想要import里面的两个函数，报红 原因分析： Pycharm不会将当前文件目录自动加入Sourse_Path 解决方案： 选中.py文件所在的文件夹，右键 Make Directory as
LightGlue论文翻译
schFallingCloud
07-29 1940
LightGlue论文翻译
经典文献阅读之--LightGlue(深度匹配器)
lovely_yoshino的博客
08-17 4511
在预测头方面，SuperGlue通过使用Sinkhorn算法解决可微最优传输问题来预测匹配，包括行和列归一化的多次迭代，这在计算和内存方面都很昂贵，SuperGlue还添加了一个dustbin来拒绝无法匹配的点，作者发现dustbin纠缠了所有点的相似性得分，从而产生了次优的训练，而LightGlue将相似性和可匹配性解耦，这两个问题的预测效率要高得多，产生了更清洁的梯度。LightGlue由一堆L个相同的层组成，这些层共同处理一对图像，每一层都由自注意力单元和交叉注意力单元组成，它们更新每个点的表示。
hloc-分层本地化工具箱-Python开发
05-25
这是hloc，这是用于最新6自由度视觉定位的模块化工具箱。 它实现了分层本地化，利用图像检索和特征匹配，并且快速，准确和可扩展。 hloc-分层本地化工具箱这是hloc，这是用于最新6 DoF视觉本地化的模块化工具箱。 它实现了分层本地化，利用图像检索和特征匹配，并且快速，准确和可扩展。 该代码库与我们的用于特征匹配的图形神经网络SuperGlue相结合，在CVPR 2020上赢得了室内/室外本地化挑战。 使用hloc，您可以：在室外（Aachen）和室内（InL）重现我们的CVPR 2020获奖结果
96原版_96年mpc论文代码复现_
10-04
对96年经典论文进行代码复现，有助于大家理解
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；...
non-iid数据下的深度神经网络的分布式联邦学习  代码复现
09-13
Decentralized federated learning of deep neural networks on non-iid data non-iid数据下的深度神经网络的分布式联邦学习 代码复现  数据集：CIFAR-10 ，Fashion-MNIST  基线方案：① Random，随机八卦协议 ...
一次漫长的代码复现经历
seniusen的博客
10-09 3177
最近一位外国友人在复现某个项目的代码时环境配置出了些问题，找我帮忙解决。说实话，游戏和增强学习这两方面我都不是很熟悉，但好在对 Ubuntu 还算熟悉，前前后后折腾了好久，终于让程序顺利运行了起来。不得不说，这些深度学习的环境配置起来真是让人心烦，各种库的版本层出不穷，一着不慎满盘皆输，但我们又能怎么办呢，只能硬着头皮冲鸭！ 项目地址戳此——Minecraft-Reinforcement-Le...
hloc中的 docker 使用
slzlincent的博客
11-18 678
理解 命令含义 Docker 容器使用 | 菜鸟教程 docker可用容量 查看_如何查看docker占用多少内存_CN队长的博客-CSDN博客 docker容器内pip 无法安装包或者速度慢，源更新 - 云+社区 - 腾讯云 sudo docker ps sudo docker images 需要sudo权限 --rm 会出现 退docker run的--rm选项详解_大方子-CSDN博客 docker build -t hloc:latest . docker run -it
No module named ‘models‘ 解决方法（亲测）
OnlyHeart_的博客
05-23 1万+
No module named ‘models‘ 解决方法（亲测）
（3）医疗图像处理：MRI磁共振成像-快速采集--(杨正汉）
m0_47588836的博客
05-17 606
MRI（磁共振成像）中的快速采集技术主要关注于缩短K空间的填充时间，以提高成像效率和质量。K空间是MR图像原始数据的填充储存空间，填充后的资料经傅立叶转换可以重建出MR图像。
Colab/PyTorch - 006 Mask RCNN Instance Segmentation
最新发布
lida2003的专栏
05-17 668
总的来说，简单应用通用模型来解决一些应用类问题，并不复杂。难点在于有效数据的收集，标记，以及特殊应用模型的建模以及学习。好在，后面我们将会面对的实际问题，都有比较好的算法，比如：Yolo算法等。
一维resnet代码复现pytorch
09-29
一维 ResNet 的 PyTorch 代码可以如下实现： ```python import torch import torch.nn as nn # 定义基本残差块 class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels, stride=1): super(ResidualBlock, self).__init__() self.conv1 = nn.Conv1d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1) self.bn1 = nn.BatchNorm1d(out_channels) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv1d(out_channels, out_channels, kernel_size=3, stride=1, padding=1) self.bn2 = nn.BatchNorm1d(out_channels) self.stride = stride def forward(self, x): identity = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) if self.stride != 1 or identity.shape[1] != out.shape[1]: identity = nn.Conv1d(identity.shape[1], out.shape[1], kernel_size=1, stride=self.stride)(identity) out += identity out = self.relu(out) return out # 定义一维 ResNet class ResNet(nn.Module): def __init__(self, block, layers, num_classes=1000): super(ResNet, self).__init__() self.in_channels = 64 self.conv1 = nn.Conv1d(3, 64, kernel_size=7, stride=2, padding=3) self.bn1 = nn.BatchNorm1d(64) self.relu = nn.ReLU(inplace=True) self.maxpool = nn.MaxPool1d(kernel_size=3, stride=2, padding=1) self.layer1 = self.make_layer(block, 64, layers[0]) self.layer2 = self.make_layer(block, 128, layers[1], stride=2) self.layer3 = self.make_layer(block, 256, layers[2], stride=2) self.layer4 = self.make_layer(block, 512, layers[3], stride=2) self.avgpool = nn.AdaptiveAvgPool1d(1) self.fc = nn.Linear(512, num_classes) def make_layer(self, block, out_channels, blocks, stride=1): layers = [] layers.append(block(self.in_channels, out_channels, stride)) self.in_channels = out_channels for _ in range(1, blocks): layers.append(block(out_channels, out_channels)) return nn.Sequential(*layers) def forward(self, x): out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.maxpool(out) out = self.layer1(out) out = self.layer2(out) out = self.layer3(out) out = self.layer4(out) out = self.avgpool(out) out = torch.flatten(out, 1) out = self.fc(out) return out # 创建一维 ResNet 模型 model = ResNet(ResidualBlock, [2, 2, 2, 2]) # 输出模型结构 print(model) ```

“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