谷歌地图高精度模型提取3

如果要自动下载大面积的模型,请看这篇博客

如果想要将下载的模型转为3dtiles,且能准确的加载到地球对应的位置,请看这篇博客

1 概述

上一篇博客《谷歌地图高精度模型提取2》由于时间关系,只讲解了安装工具,没有讲解如何获取谷歌模型。所以说,上一篇博客,没有多少干货的地方,本篇博客讲解的内容才算真正意义上的如何获取谷歌地图模型。

2 修改和安装Blender插件

2.1 修改Blender插件

工具->02-Blender插件文件路径中,有一个名为MapsModelsImporter-v0.2.2.zip的压缩包
在这里插入图片描述

将其解压后,在解压文件夹中,找到google_maps.py,用notepad++或者sublime_text亦或者vscode等代码编辑工具打开。
打开google_maps.py,找到161行,有一个200数字,将其改为0,按住ctrl+s快捷键,保存一下该代码。
在这里插入图片描述这么做的目的,在导出谷歌模型时,不设置限制,否则,导出的的模型,都会被裁减。

接着在文件夹MapsModelsImporter-v0.2.2中,将MapsModelsImporter压缩成MapsModelsImporter.zip
在这里插入图片描述

2.2 安装Blender插件

双击桌面Blender图标,打开Blender软件
在这里插入图片描述点击菜单Edit->Perference,在弹出的界面中,点击Add-ons->Install
在这里插入图片描述找到MapsModelsImporter.zip所在路径,并选中MapsModelsImporter.zip后,点击Install add-ons
在这里插入图片描述在当前界面中,输入map,就出现一个带有Import-Export:Maps Models Importer 复选框,勾选该复选框。
在这里插入图片描述这样就完成了,Blender插件的安装。

3 谷歌模型导出

现在所需工具已经全部安装完成,就可以开始谷歌地图模型导出了。在这里,不得不提一下,由于guo jia zheng ce原因,谷歌的相关东西,都需要fan qiang才能访问,谷歌模型获取也不例外。
关于怎么fan qiang,这不属于本博客讲解的内容。笔者是使用的lantern蓝灯功能,一个账号300块大洋,两个人使用,无流量和网速限制,均摊下来,每人150块大洋。当然,目前也有一些免费的fan qiang工具,读者们可以自行"彦宏一下"(baidu)。

3.1 相关参数设置

在桌面上,找到谷歌浏览器的图标,选中该图标,点击鼠标右键,点击属性,在目标一栏,找到谷歌浏览器的路径,
在这里插入图片描述将该路径复制到一个记事本上。
在这里插入图片描述将下面这行文字拷贝到记事本
C:\Windows\System32\cmd.exe /c "SET RENDERDOC_HOOK_EGL=0 && START "" ^"C:\Program Files\Google\Chrome\Application\chrome.exe" --disable-gpu-sandbox --gpu-startup-dialog --user-agent=https://localhost:50948"
在这里插入图片描述

--user-agent=https://localhost:80948这句话,可要可不要。它代表是fan qiang工具,监听本地端口。如果不知道fan qiang 工具监听的端口,那就不要这句话。设置这句话,可以让谷歌浏览器访问模型的时候,更加丝滑。
在这里插入图片描述将谷歌浏览器的路径,拷贝至指定位置,如下图所示:
在这里插入图片描述将替换好的谷歌浏览器路径的文字,拷贝至谷歌浏览器属性窗口中,如下图所示:
在这里插入图片描述到此,参数就设置完毕。
双击桌面谷歌浏览器图标,会有一个弹出,表示参数设置成功了。
在这里插入图片描述

3.2 模型导出

双击桌面RenderDoc图标,会启动RenderDoc软件,并有提示更新,选择不更新。

在这里插入图片描述双击桌面谷歌浏览器图标,看到弹窗后,记下弹窗上的数字。
在这里插入图片描述回到RenderDoc软件界面上,点击菜单File->Inject Into Process
在这里插入图片描述输入弹窗上的数字,并双击chrome.exe,就可以看到
在这里插入图片描述回到谷歌浏览器,在弹窗中,点击确定。
在这里插入图片描述在谷歌浏览器中,输入www.google.com,进入谷歌搜索的主页面,并在搜索页面输入google map
在这里插入图片描述
按下回车键,第一个就是谷歌地图链接。点击该链接,进入谷歌地图。
在这里插入图片描述现在,我就要开始提取模型了。假设我们要获取fa guo的埃菲尔铁塔模型,就在谷歌地图中,输入埃菲尔铁塔,然后按下回车键进行搜索。
在这里插入图片描述我的埃菲尔铁塔呢?怎么没有?不要着急,点击地图左下角的Layers图标,点击More,点击Satellite,点击Globe view,就可以看到三维模型了。

在这里插入图片描述接下来就可以看大美丽的三维模型了。按下ctrl+鼠标左键,就可以移动三维视角。
在这里插入图片描述惊不惊喜,意不意外?然后回到RenderDoc,如果看到下面图片
在这里插入图片描述就说明需要用鼠标动一下地图,界面就会变成
在这里插入图片描述此时,点击Capture Frame(s) Immediately,就开始模型捕捉,并回到谷歌浏览器,使用鼠标稍微移动一下地图。
在这里插入图片描述在RenderDoc界面中,选中捕获的模型,点击右键,点击Save,就可以将模型保存在本地了。
在这里插入图片描述

4 转格式

模型保存后,并不是我们常见的格式
在这里插入图片描述
此时,打开Blender,点击File->Import->Google Map Capture,就可以将导出的模型,导入到Blender中。
在这里插入图片描述此时,Blender就会出现导入的模型。
在这里插入图片描述在这里插入图片描述最后,点击File->Export,就可以将模型转成常见的格式。
在这里插入图片描述

5 后续

本篇博客讲述的方法,可以满足绝大部分人的需求,如果想获取超大型模型,看后续文章。

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
### 回答1: MobileNet是一种在计算资源有限的移动设备上运行的轻量级神经网络模型。它由Google团队于2017年开发,并已成为移动端图像分类和目标检测领域的重要模型之一。 MobileNet的主要特点是高效的计算和内存使用,它通过深度可分离卷积(Depthwise Separable Convolution)来实现。深度可分离卷积将标准的卷积操作分成两个步骤:深度卷积和逐点卷积。在深度卷积中,每个输入通道会单独进行卷积操作,然后在逐点卷积中,使用1x1的卷积核将这些单独的结果进行融合。这种操作不仅大幅减少了计算量,还减小了模型的大小,使其更适用移动设备的计算资源限制。 MobileNet还通过使用全局平均池化层来减少了全连接层的数量。全局平均池化层将整个特征图池化为一个值,这个值代表了每个通道的平均激活程度。这种方式有助于减小模型的大小和复杂度,使得模型更快速、轻量级。 由于MobileNet具有较少的参数和计算量,因此在移动设备上运行时具有较低的延迟和较高的实时性。它适用于各种移动端图像任务,如图像分类、目标检测和语义分割等。同时,它在保持精度损失较小的情况下,相对于较大且复杂的模型,如VGG和ResNet等,具有更小的模型大小。 总之,MobileNet是一种被广泛应用于移动设备上的轻量级神经网络模型。它通过深度可分离卷积和全局平均池化等技术,实现了高效的计算和内存使用。在移动端图像任务中取得了良好的性能,成为移动设备上的重要模型之一。 ### 回答2: MobileNet是一种轻量级的卷积神经网络模型,专门设计用于在移动设备或嵌入式系统上进行图像识别和分类任务。它由Google团队于2017年提出,并在ImageNet Large Scale Visual Recognition Challenge比赛中取得了出色的成绩。 MobileNet采用了深度可分离卷积(Depthwise Separable Convolution)的结构,这种卷积核的设计使得网络具有更小的参数量和计算量,从而在资源有限的设备上实现高效的推理。其主要有两个模块:深度可分离卷积和全局平均池化。 深度可分离卷积模块将传统的标准卷积分为两个步骤:深度卷积和逐点卷积。深度卷积针对每个输入通道分别应用卷积核,而逐点卷积则是合并多个通道的输出。这种分离方式极大地减少了模型中的参数数量,提高了计算效率。 全局平均池化模块用于将卷积层的输出特征图进行降维,将高维的特征转化为低维的特征向量。这样能进一步减少参数数量,并且有助于提取更加抽象和稳定的特征,提高模型的泛化能力。 MobileNet模型具有多个版本,例如MobileNetV1、MobileNetV2和MobileNetV3,它们在网络结构和性能方面有所不同,但都遵循了轻量级的设计原则。 MobileNet模型不仅在计算资源有限的移动设备上表现出色,在一些对计算能力要求较高的应用场景,如实时图像处理和边缘计算等也得到了广泛应用。官方提供的训练好的MobileNet模型可以作为预训练模型,用于自定义任务的微调或迁移到其他数据集上进行训练,从而加速模型的开发和部署。 ### 回答3: MobileNet是一种轻量级的深度学习模型,由Google团队开发。它旨在解决在移动设备上运行时,计算资源有限的问题,同时保持较高的准确率。 MobileNet采用了一种称为深度可分离卷积(depthwise separable convolution)的新型卷积结构,将标准的卷积操作分解为两个步骤:深度卷积和逐点卷积。深度卷积主要用来捕捉特征的跨通道相关性,而逐点卷积用来通过1x1的卷积核进行特征混合和映射。这种结构减少了计算量和参数量,从而大大减小了模型的体积。 MobileNet具有高度的灵活性,可以通过调整超参数来平衡速度和准确率之间的折衷。通过改变模型宽度的倍数因子,可以控制模型中各层的通道数,从而调整模型的大小和速度。此外,还可以通过改变输入图像的分辨率来进一步减少计算量。 MobileNet的官方模型经过在大规模图像数据集上进行训练,具有较高的准确率。它可以用于多种任务,包括图像分类、目标检测和语义分割等。在移动设备上部署MobileNet模型,可以实现快速、准确的图像处理和分析,为用户带来更好的移动体验。 总之,MobileNet是一种轻量级的深度学习模型,通过深度可分离卷积结构和灵活的超参数调整,实现了在计算资源有限的移动设备上高效地运行。它的官方模型经过训练和优化,具有较高的准确率和广泛的应用前景。

“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 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

小星星·

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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