【3D】姿态检测网络PoseCNN复现过程记录

科技2024-09-27 15

【注】：本文地址：【3D】姿态检测网络PoseCNN复现过程记录.时光清浅，岁月嫣然若转载请于明显处标明出处。

ps.搬一下自己在博客园写的文章。

最近在研究室内6D姿态检测相关问题，计划在PoseCNN网络基础上进行改进实现。但是在第一步的复现过程中踩了无数的坑，最终成功运行了demo，目前网络训练完毕，test结果照原文要差一点。有问题欢迎一起交流进步！

本文重点讲解网络代码复现过程，对于原文的讲解可以阅读这篇文章，满满干货！《论文笔记——PoseCNN》

本人系统环境：

Ubuntu 16.04Tensorflow 1.8（from source）Python 2.7Cuda 10.0 & cuddn 7.3.1

环境配置

1.搭建虚拟环境

第一步，创建专属于PoseCNN的虚拟环境，之后install的包都在此虚拟环境中。虚拟环境的好处不用多说了吧，反正对Ubuntu系统的折腾越少越好！！！我用 conda 创建的环境：

conda create -n posecnn python=2.7 激活环境： conda activate posecnn 如果不用这个环境，记得deactivate： conda deactivate posecnn

2.pip install

pip install opencv-python

如果不行试一下： sudo apt-get install libopencv-dev

pip install mock enum34 pip install matplotlib numpy keras Cython Pillow easydict transforms3d pip install OpenEXR sudo apt-get install libsuitesparse-dev libopenexr-dev metis libmetis-dev

3.TensorFlow

注意一定要从源码安装，虽然很繁琐，但是经过实践证明，pip install安装出来的TensorFlow不好用。。此外，使用gcc 4.8和g++ 4.8对后续的依赖包进行编译。

sudo apt-get install gcc-4.8

sudo apt-get install g+±4.8

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 10

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 30

sudo update-alternatives --config gcc 输入选择 1

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g+±4.8 10

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g+±5 30

sudo update-alternatives --config g++ 输入选择 1

测试一下gcc和g++的版本，显示4.8就更换完毕了:

gcc --version

g++ --version

接下来安装bazel，并选择0.10.0版本，本文选择下载sh文件进行安装，

下载地址：https://github.com/bazelbuild/bazel/releases/download/0.10.0/bazel-0.10.0-installer-linux-x86_64.sh 下载好之后，安装：

chmod +x bazel-0.10.0-installer-linux-x86_64.sh 修改文件权限 ./bazel-0.10.0-installer-linux-x86_64.sh --user 进行安装接着添加环境变量： gedit ~/.bashrc export PATH="$PATH:$HOME/bin"

下面下载安装TensorFlow：

git clone https://github.com/tensorflow/tensorflow.gitcd tensorflowgit checkout r1.8./configure 这一步，配置文件会问很多问题，对应回答y/n即可:

注意 Python 及其sitepackage的路径要与你之后环境路径相对应比如我在posecnn虚拟环境中运行的话，我的python路径就是 …/.conda/env/posecnn/bin/python 大部分都选择n，但是询问cuda时，要根据你的电脑实际选择

然后编译源文件：

bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package 生成安装包：bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/software/tensorflow 最后安装：pip install /tmp/tensorflow_pkg/tensorflow-1.8.0-cp27-cp27mu-linux_x86_64.whl 至此，TensorFlow的源码安装大功告成，可以import测试一下。

4.Eigen

# 原网址没了（wget https://bitbucket.org/eigen/eigen/get/3.3.0.zip） # 用这个网址下载 wget https://gitlab.com/libeigen/eigen/-/archive/3.3.0/eigen-3.3.0.zip # 提取解压压缩包 # 重命名文件夹为eigen cd eigen mkdir build && cd build cmake .. make sudo make install

5.Nanoflann

wget https://github.com/jlblancoc/nanoflann/archive/ad7547f4e6beb1cdb3e360912fd2e352ef959465.zip # 提取解压压缩包 # 重命名文件夹为nanoflann sudo apt-get install build-essential cmake libgtest-dev cd nanoflann mkdir build && cd build && cmake .. make && make test sudo make install

6.Pangolin

wget https://github.com/stevenlovegrove/Pangolin/archive/1ec721d59ff6b799b9c24b8817f3b7ad2c929b83.zip # 提取解压压缩包 # 重命名文件夹为Pangolin cd Pangolin # Add folowing line to the CMakeLists.txt: # add_definitions(-D_GLIBCXX_USE_CXX11_ABI=0) mkdir build cd build cmake .. cmake --build .

7.Boost

wget https://dl.bintray.com/boostorg/release/1.67.0/source/boost_1_67_0.tar.bz2 # 提取解压压缩包 # 重命名文件夹为boost cd boost ./bootstrap.sh sudo ./b2 sudo ./b2 install

8.Sophus

wget https://github.com/strasdat/Sophus/archive/ceb6380a1584b300e687feeeea8799353d48859f.zip # 提取解压压缩包 # 重命名文件夹为Sophus cd Sophus mkdir build && cd build cmake .. make sudo make install

9.NLOPT

wget https://github.com/stevengj/nlopt/archive/74e647b667f7c4500cdb4f37653e59c29deb9ee2.zip # 提取解压压缩包 # 重命名文件夹为nlopt cd nlopt mkdir build cd build cmake .. make sudo make install

至此，所有依赖包配置完毕，下面针对源代码进行编译运行。

10.Compile lib/kinect_fusion

先注释掉/usr/local/cuda/include/crt/common_functions.h的第75行 #define __CUDACC_VER__ "__CUDACC_VER__ is no longer supported. Use __CUDACC_VER_MAJOR__, __CUDACC_VER_MINOR__, and __CUDACC_VER_BUILD__ instead." 因为这个issue 要是只读权限无法修改，就用sudo chmod 777 /usr/local/cuda/include/crt/common_functions.h修改一下权限。

cd kinect_fusion mkdir build cd build cmake .. make

编译完记得取消注释刚刚的common_functions.h第75行

11.Compile lib/synthesize

cd .. cd .. cd synthesize mkdir build cd build cmake .. make

Compile the new layers under $ROOT/lib we introduce in PoseCNN. （注意下面的$ROOT要换成你实际的PoseCNN代码路径！！！）

cd $ROOT/lib sh make.sh

run python setup: python setup.py build_ext --inplace

Add pythonpaths

Add the path of the built libary libsynthesizer.so to python path

export PYTHONPATH=$PYTHONPATH:$ROOT/lib:$ROOT/lib/synthesize/build

12.下载数据集

下载YCB-Video数据集，提取码52xx，解压生成：PoseCNN/data/LOV下载SUN2012数据集,解压生成：PoseCNN/data/SUN2012/data下载ObjectNet3D数据集,解压生成：PoseCNN/data/ObjectNet3D/data 下载链接打不开或者下的慢的话用这个：ObjectNet3D数据集-百度网盘，提取码：pose

至此，环境配置完毕。接下来直接贴出原作者步骤：

Running the demo

Download our trained model on the YCB-Video dataset from here, and save it to $ROOT/data/demo_models.

run the following script

./experiments/scripts/demo.sh # 默认用0号GPU运行! # 或者 ./experiments/scripts/demo.sh --gpuid 1 # 指定1号（也可以选择你喜欢的GPU）运行空格很重要!

Running on the YCB-Video dataset

Download the YCB-Video dataset from here.数据集上一步已经下好了，这一步不用管~

Create a symlink for the YCB-Video dataset (the name LOV is due to legacy, Learning Objects from Videos) 建立软连接，让代码知道你数据集放哪了。

cd $ROOT/data/LOV ln -s $ycb_data data ln -s $ycb_models models

Training and testing on the YCB-Video dataset

cd $ROOT # training ./experiments/scripts/lov_color_2d_train.sh $GPU_ID # testing ./experiments/scripts/lov_color_2d_test.sh $GPU_ID

更多可以看下面的参考链接，很详细。更多多的希望通读代码！通读代码！通读代码！

参考：

PoseCNN RSE-Lab，RSE-LabPoseCNN GitHub代码，yuxngYCB-Video数据集下载，提取码52xx，wangg12PoseCNN代码实现大纲，Kaju-BubanjaPoseCNN代码实现详细，Luedeke《论文笔记——PoseCNN》，XJTU_Bugdragon

Processed: 0.014, SQL: 8