adjust(*): 调整为规范目录结构
parent
729c063ad3
commit
0847fec95d
|
|
@ -9,6 +9,8 @@
|
||||||
## 下周工作安排
|
## 下周工作安排
|
||||||
1. 根据组长安排推进工作
|
1. 根据组长安排推进工作
|
||||||
|
|
||||||
|
|
||||||
|
## 会议记录
|
||||||
洪堃：
|
洪堃：
|
||||||
1、汇报仓库改Report
|
1、汇报仓库改Report
|
||||||
2、RK3588部署文档和机器人放在一起Docs里面，提交到UPbot-KingKong, 或者把提交一份专门在UP管理员的Notes仓库。
|
2、RK3588部署文档和机器人放在一起Docs里面，提交到UPbot-KingKong, 或者把提交一份专门在UP管理员的Notes仓库。
|
||||||
|
|
@ -1,123 +0,0 @@
|
||||||
# Yolov5s部署
|
|
||||||
|
|
||||||
实现步骤：
|
|
||||||
|
|
||||||
1. 本地: best.pth
|
|
||||||
|
|
||||||
2. 本地: best.pth -> best.onnx
|
|
||||||
2. 本地 Linux: best.onnx -> best.rknn
|
|
||||||
2. RK3588 Linux: best.rknn 部署在开发板
|
|
||||||
|
|
||||||
## 1 获取 best.pth
|
|
||||||
|
|
||||||
下载对应版本的yolo5代码，训练得到best.pth
|
|
||||||
|
|
||||||
https://github.com/ultralytics/yolov5/tree/v6.0
|
|
||||||
|
|
||||||
## 2 best.pth 转化为 best.onnx
|
|
||||||
|
|
||||||
修改一段代码（注意，训练阶段不要修改）。将yolov5/models/yolo.py文件中class Detect(nn.Module)类的函数forword修改。
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
修改后将best.pt移动至yolov5/export.py同一文件夹下，在命令行调用以下命令：
|
|
||||||
|
|
||||||
```
|
|
||||||
python export.py --weights best.pt --img 640 --batch 1 --include onnx
|
|
||||||
或
|
|
||||||
python export.py --weights best.pt --include onnx
|
|
||||||
```
|
|
||||||
|
|
||||||
便可以得到成功转换的模型best.onnx。
|
|
||||||
|
|
||||||
(可能会报错说ONNX版本不支持，那么就将export.py中parse_opt()函数的--opset参数修改为12)
|
|
||||||
|
|
||||||
(也可能报错说不支持SiLU，把./models/common.py里的SiLU改成ReLU即可)
|
|
||||||
|
|
||||||
## 3 best.onnx 转化为 best.rknn
|
|
||||||
|
|
||||||
此处的转换工具只能在Linux系统上运行，在linux上下载（clone）[转换工具rknn-toolkit2](https://github.com/rockchip-linux/rknn-toolkit2)。并配置好相关环境，使用`docker`或直接配置。
|
|
||||||
|
|
||||||
1. Docker
|
|
||||||
|
|
||||||
根据`rknn-toolkit2\docker\docker_file\ubuntu_18_04_cp36`目录下的`Dockerfile`构建。
|
|
||||||
|
|
||||||
2. 直接配置（我所采用的）
|
|
||||||
|
|
||||||
2.1 下载conda环境（有的话跳过）
|
|
||||||
|
|
||||||
```
|
|
||||||
wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
|
|
||||||
chmod 777 Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
|
|
||||||
sh Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
```
|
|
||||||
|
|
||||||
结束后重启命令行或执行`source ~/.bashrc`。
|
|
||||||
|
|
||||||
2.2 创建名为rknntool的python3.8环境，并进入：
|
|
||||||
|
|
||||||
```
|
|
||||||
conda create -n rknntool python=3.8
|
|
||||||
conda activate rknntool
|
|
||||||
```
|
|
||||||
|
|
||||||
2.3 进入./doc目录
|
|
||||||
|
|
||||||
```
|
|
||||||
pip install -r requirements_cp38-1.5.0.txt
|
|
||||||
```
|
|
||||||
|
|
||||||
2.3进入./ packages目录
|
|
||||||
|
|
||||||
```
|
|
||||||
pip install rknn_toolkit2-1.5.0+1fa95b5c-cp38-cp38-linux_x86_64.whl
|
|
||||||
```
|
|
||||||
|
|
||||||
终端中运行python，输入`from rknn.api import RKNN`，不报错即成功。
|
|
||||||
|
|
||||||
进入`./examples/onnx/yolov5`，将上文得到的best.onnx文件和待预测图片（也可以没有）复制到此文件夹中，修改test.py文件。
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
修改完后执行`python test.py`，这里的test.py构建了一个虚拟的NPU运行环境，模拟在RK3588上真实运行的情况。这时在当前文件夹`./example/onnx/yolov5`中可以看到生成的`best.rknn`模型和结果图片result.jpg。
|
|
||||||
|
|
||||||
## 4 RK3588 上部署 best.rknn
|
|
||||||
|
|
||||||
开发板环境还不完备，后面需要什么就安装什么，apt install xxx，例如git，gcc，g++等。
|
|
||||||
|
|
||||||
1. 拉取官方demo：[rockchip-linux/rknpu2](https://github.com/rockchip-linux/rknpu2)到自己的目录下
|
|
||||||
|
|
||||||
```
|
|
||||||
git clone https://github.com/rockchip-linux/rknpu2
|
|
||||||
```
|
|
||||||
|
|
||||||
(注意此步骤不能windows上下载后传到开发板，要在开发板上拉取)
|
|
||||||
|
|
||||||
2. 进入`/home/lhk/rknpu2/examples/rknn_yolov5_demo`目录。有需要的话则修改下图内容为自己的。
|
|
||||||
3. 将转换后的best.rknn文件放在`model/RK3588`目录下，运行`bash ./build-linux_RK3588.sh`，成功后生成install文件夹，进入`install/rknn_yolov5_demo_Linux`。（需要gcc，g++环境，安装即可）
|
|
||||||
4. 在model目录下放入需要推理的图片test.jpg，运行`./rknn_yolov5_demo ./model/RK3588/best.rknn ./model/test.jpg`
|
|
||||||
|
|
||||||
也可以支持h264、h265、rtsp视频流。例如h264视频流，指令:
|
|
||||||
|
|
||||||
`./rknn_yolov5_video_demo model/RK3588/best.rknn model/test.h264 264`
|
|
||||||
|
|
||||||
|
|
||||||
## 5 多线程优化（未成功）
|
|
||||||
执行`cat /sys/kernel/debug/rknpu/load`查看npu的使用情况，可以发现虽然有多个npu，但是没有全部用上
|
|
||||||
>使用`while true ; do cat /sys/kernel/debug/rknpu/load ; sleep 1 ; done;`可以持续监控npu使用情况
|
|
||||||
|
|
||||||
|
|
||||||
以前尝试过实现多线程，但没成功。推测是编解码相关的问题。同目录PPT中有详细介绍。
|
|
||||||
### 5.1 找代码解决
|
|
||||||
参考这个仓库 https://github.com/leafqycc/rknn-cpp-Multithreading，通过自己实现多线程把帧率拉到140+。
|
|
||||||
但是当时拉下代码尝试，确实是能使用多核了，但是利用率极低，推测是编解码相关的问题，当时设备环境好像不支持硬件解码，多多多次配置ffmpeg后也没有成功。
|
|
||||||
### 5.2 使官方代码支持多线程
|
|
||||||
官方代码，支持mpp硬件解码，但暂未实现多线程。
|
|
||||||
推测在其基础上自己手动实现多线程即可，但是该源代码风险大也困难，未尝试
|
|
||||||
|
|
||||||
### 5.3 使找的代码支持mpp
|
|
||||||
既然 5.1 中不支持硬件解码，而官方代码是支持的，且设备本就有官方的环境，那可以尝试在 5.1 代码中调用mpp相关接口去实现硬件编解码。感觉比较难，未尝试
|
|
||||||
Binary file not shown.
|
Before Width: | Height: | Size: 184 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 178 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 86 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 60 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 60 KiB |
Binary file not shown.
|
Before Width: | Height: | Size: 516 KiB |
Binary file not shown.
|
|
@ -1,128 +0,0 @@
|
||||||
算法模型在嵌入式平台上的部署
|
|
||||||
-- -- -- 以RK3588s为例
|
|
||||||
ROC-RK3588S-PC，采用Rockchip RK3588S新一代八核64位处理器，最大可配32GB大内存；支持8K视频编解码；支持NVMe SSD硬盘扩展；支持多种操作系统；可适用于边缘计算、人工智能、云计算、虚拟/增强现实等领域。
|
|
||||||
RK3588S是Rockchip全新一代旗舰AIoT芯片，采用了8nm LP制程；搭载八核64位CPU，主频高达2.4GHz；集成ARM Mali-G610 MP4四核GPU，内置AI加速器NPU，可提供6Tops算力，支持主流的深度学习框架。参见ROC-RK3588S-PC [HYPERLINK: https://www.t-firefly.com/product/industry/rocrk3588spc]。
|
|
||||||
NPU（Neural-network Processing Units）可以说是为了嵌入式神经网络和边缘计算量身定制的，但若想调用RK3588s的NPU单元进行推理加速，则需要首先将模型转换为.rknn格式的模型。
|
|
||||||
1、过程概述
|
|
||||||
这次我们将yolov5模型部署在RK3588s上，并使用NPU推理。过程分以下几步：
|
|
||||||
1.使用正确版本（v5.0）的yolov5进行训练得到pt模型。
|
|
||||||
2.将pt模型使用yolov5工程中的export.py转换为onnx模型。（pt->onnx）
|
|
||||||
3.将onnx模型使用rknn-toolkit2中onnx文件夹的test.py转换为rknn模型。(onnx->rknn)
|
|
||||||
4.在板子上使用rknpu2工具调用rknn模型，实现NPU推理加速。
|
|
||||||
|
|
||||||
2、部署过程
|
|
||||||
2.1、训练yolov5模型(平台：windows)
|
|
||||||
注意需要使用特定版本的yolov5。进入yolov5官网 [HYPERLINK: https://github.com/ultralytics/yolov5]，搜索c5360f6e7009eb4d05f14d1cc9dae0963e949213。
|
|
||||||
找到特定版本的commit。
|
|
||||||
|
|
||||||
点击Browse files去到特定版本yolov5源码。
|
|
||||||
|
|
||||||
接下来，点击download zip，注意不要git clone，那样还是最新版的yolov5版本。
|
|
||||||
|
|
||||||
代码下载好后，开始训练自己的pt模型；此处实际上是yolov5 5.0版本的工程，其中未包含预训练模型yolov5s.pt，需要自行下载，在releases链接 [HYPERLINK: https://github.com/ultralytics/yolov5/releases]中找到V5.0下载yolov5s.pt：
|
|
||||||
|
|
||||||
接下来就是配置好yolov5所需的环境，用自己的数据集训练yolov5模型，得到目标模型best.pt。
|
|
||||||
2.2 best.pt转换为best.onnx（平台：windows）
|
|
||||||
修改一段代码（注意，训练阶段不要修改）。将yolov5/models/yolo.py文件中class Detect(nn.Module)类的函数forword修改。
|
|
||||||
|
|
||||||
修改后将best.pt移动至yolov5/export.py同一文件夹下，在命令行调用以下命令：
|
|
||||||
python export.py --weights best.pt --img 640 --batch 1 --include onnx
|
|
||||||
便可以得到成功转换的模型best.onnx。
|
|
||||||
(可能会报错说ONNX版本不支持，那么就将export.py中parse_opt()函数的--opset参数修改为12)
|
|
||||||
(也可能报错说不支持SiLU，把./models/common.py里的SiLU改成ReLU即可)
|
|
||||||
2.3 best.onnx转换为best.rknn（平台：Linux）
|
|
||||||
此处的转换工具只能在Linux系统上运行，在linux上下载（clone）转换工具rknn-toolkit2 [HYPERLINK: https://github.com/rockchip-linux/rknn-toolkit2]。并配置好相关环境，使用docker或直接配置。
|
|
||||||
Docker
|
|
||||||
根据rknn-toolkit2\docker\docker_file\ubuntu_18_04_cp36目录下的Dockerfile构建。
|
|
||||||
直接配置（我所采用的）
|
|
||||||
2.1 下载conda环境（有的话跳过）
|
|
||||||
wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
chmod 777 Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
sh Miniconda3-latest-Linux-x86_64.sh
|
|
||||||
结束后重启命令行或执行source ~/.bashrc。
|
|
||||||
创建名为rknntool的python3.8环境，并进入：
|
|
||||||
conda create -n rknntool python=3.8
|
|
||||||
conda activate rknntool
|
|
||||||
2.3 进入./doc目录
|
|
||||||
pip install -r requirements_cp38-1.5.0.txt
|
|
||||||
进入./ packages目录
|
|
||||||
pip install rknn_toolkit2-1.5.0+1fa95b5c-cp38-cp38-linux_x86_64.whl
|
|
||||||
终端中运行python，输入from rknn.api import RKNN，不报错即成功。
|
|
||||||
进入./examples/onnx/yolov5，将上文得到的best.onnx文件和待预测图片（也可以没有）复制到此文件夹中，修改test.py文件。（还）
|
|
||||||
|
|
||||||
|
|
||||||
修改完后执行python test.py，这里的test.py构建了一个虚拟的NPU运行环境，模拟在RK3588上真实运行的情况。
|
|
||||||
这时在当前文件夹./example/onnx/yolov5中可以看到生成的best.rknn模型和结果图片result.jpg。
|
|
||||||
2.4 RK3588s部署实现NPU加速（平台：开发板Linux系统）
|
|
||||||
开发板原生是安卓系统，如果用户要运行其他操作系统，需要使用对应的固件烧写到主板。完整流程及各种开发指南参见：RPC-RKL3588S-PC [HYPERLINK: https://wiki.t-firefly.com/zh_CN/ROC-RK3588S-PC/]
|
|
||||||
2.4.1 换系统
|
|
||||||
2.4.1.1 准备
|
|
||||||
需要：
|
|
||||||
ROC-RK3588S-PC 开发板
|
|
||||||
固件 [HYPERLINK: https://www.t-firefly.com/doc/download/164.html]
|
|
||||||
主机（本机windows）
|
|
||||||
良好的Type-C 数据线
|
|
||||||
固件一栏中Ubuntu固件，里面版本有点多，有简装版和桌面版等。我所下载的是Ubuntu>Ubuntu20.04>Minimal中的ROC-RK3588S-PC_Ubuntu20.04-Minimal-r2407_v1.1.1a_230704.7z压缩包（学习用途sb才下Minimal，直接桌面版）。下载好后解压，改名为update.img。
|
|
||||||
2.4.1.2 安装烧写工具
|
|
||||||
进入Release_DriverAssistant.zip [HYPERLINK: https://www.t-firefly.com/doc/download/164.html]，下载里面部分文件。
|
|
||||||
|
|
||||||
解压，然后运行DriverAssitant里面的DriverInstall.exe 。为了所有设备都使用更新的驱动，请先选择驱动卸载，然后再选择驱动安装。
|
|
||||||
|
|
||||||
然后运行RKDevTool_v3.15_for_window文件夹里的RKDevTool.exe，显示如下：
|
|
||||||
|
|
||||||
2.4.1.3 进入升级模式
|
|
||||||
先断开电源适配器连接
|
|
||||||
使用 Type-C 数据线一端连接主机，一端连接开发板
|
|
||||||
按住设备上的 RECOVERY （恢复）键并保持
|
|
||||||
|
|
||||||
接上电源
|
|
||||||
大约两秒钟后，松开 RECOVERY 键
|
|
||||||
通过RKDevTool.exe工具可以看到下方提示Found One LOADER Device。（上方是啥不管）
|
|
||||||
2.4.1.4 烧写固件
|
|
||||||
切换至Upgrade Firmware（升级固件）页。
|
|
||||||
按Firmware（固件）按钮，打开要升级的固件文件（刚刚的update.img）。升级工具会显示详细的固件信息。
|
|
||||||
按Upgrade（升级）按钮开始升级，等待右侧成功完成即可。
|
|
||||||
此时系统就换完了，重新上电后就是以ubuntu系统启动，可以连接hdmi进入可视化的命令行操作。
|
|
||||||
2.4.2 网络配置（平台：开发板系统）
|
|
||||||
（桌面版直接连WIFI或者热点，再用本机windows ssh连接）Ubuntu Minimal系统开机启动后，自动登录到 root 用户，密码为 firefly。其他系统参见：ROC-RK3588S-PC [HYPERLINK: https://wiki.t-firefly.com/zh_CN/Firefly-Linux-Guide/first_use.html]。
|
|
||||||
我所配置的是wifi网络，重启后会自动连接。更多种网络配置参见：Firefly Linux 开发指南 [HYPERLINK: https://wiki.t-firefly.com/zh_CN/Firefly-Linux-Guide/index.html]。
|
|
||||||
依次执行图中指令：
|
|
||||||
|
|
||||||
最后的指令是：nmcli dev wifi connect WIFI名 password WIFI密码
|
|
||||||
可用ip a指令查看当前的ip地址，以及ping指令验证是否网络配置成功。
|
|
||||||
|
|
||||||
成功后需要开启ssh服务方便操作开发板，参见：ubuntu ssh服务 [HYPERLINK: https://blog.csdn.net/qq_16102655/article/details/85340432]
|
|
||||||
2.4.3 ssh连接（平台： windows）
|
|
||||||
注意要与开发板在一个局域网下，使用XShell等软件或ssh指令或VSCode等。
|
|
||||||
1. 使用XShell新建会话：
|
|
||||||
|
|
||||||
|
|
||||||
2. 使用ssh指令：ssh 要登录的用户@ip地址
|
|
||||||
例如：ssh root@192.168.10.103 [HYPERLINK: mailto:root@192.168.10.103]。然后输入密码即可。
|
|
||||||
完成后即可在本机操作开发板（可能会有卡顿）。
|
|
||||||
2.4.4 部署
|
|
||||||
现在开发板环境还不完备，后面需要什么就安装什么，apt install xxx，例如git，gcc，g++等。
|
|
||||||
1. 拉取官方demo：rockchip-linux/rknpu2 [HYPERLINK: https://github.com/rockchip-linux/rknpu2]到自己的目录下
|
|
||||||
git clone https://github.com/rockchip-linux/rknpu2
|
|
||||||
(注意此步骤不能windows上下载后传到开发板，要在开发板上拉取)
|
|
||||||
2. 进入/home/lhk/rknpu2/examples/rknn_yolov5_demo目录。有需要的话则修改下图内容为自己的。
|
|
||||||
|
|
||||||
将转换后的best.rknn文件放在model/RK3588目录下，运行bash ./build-linux_RK3588.sh，成功后生成install文件夹，进入install/rknn_yolov5_demo_Linux。（需要gcc，g++环境，安装即可）
|
|
||||||
在model目录下放入需要推理的图片test.jpg，运行./rknn_yolov5_demo ./model/RK3588/best.rknn ./model/test.jpg
|
|
||||||
能看到命令行中：
|
|
||||||
|
|
||||||
在当前文件夹下生成out.jpg，例如下：
|
|
||||||
|
|
||||||
此时完成了单张图片在开发板上的推理。
|
|
||||||
也可以支持h264、h265、rtsp视频流。
|
|
||||||
1. 例如h264视频流，指令:
|
|
||||||
./rknn_yolov5_video_demo model/RK3588/best.rknn model/test.h264 264
|
|
||||||
在当前文件夹下生成out.h264文件。(out.mp4 [HYPERLINK: file:///D:\桌面\rk\out.mp4])
|
|
||||||
注意需要使用h264码流视频，可以使用如下命令转换得到：
|
|
||||||
ffmpeg -i xxx.mp4 -vcodec h264 out.h264
|
|
||||||
2.例如rtsp视频流，指令：
|
|
||||||
./rknn_yolov5_video_demo model/RK3588/best.rknn <RTSP_URL> 265
|
|
||||||
|
|
||||||
2.4.5 性能
|
|
||||||
while true ; do cat /sys/kernel/debug/rknpu/load ; sleep 1 ; done;
|
|
||||||
pidstat -r -p <PID> 1 > memory_data.txt
|
|
||||||
BIN
科研/latest.pptx
BIN
科研/latest.pptx
Binary file not shown.
60
科研/调研.md
60
科研/调研.md
|
|
@ -1,60 +0,0 @@
|
||||||
# 调研
|
|
||||||
看过的如[ASTR(2023)](https://astr2023.github.io "ASTR")、DeepMatcher（2024）、AmatFormer（2023）都是不开源的
|
|
||||||
|
|
||||||
而开源的如：
|
|
||||||
* [Roma](https://github.com/Parskatt/RoMa "Roma")：2024 cvpr，也是DKM的作者
|
|
||||||
* [DKM](https://github.com/Parskatt/DKM "DKM")：2023 cvpr
|
|
||||||
* **[LoFTR](https://zju3dv.github.io/loftr/ "LoFTR")：2021 cvpr，特征匹配领域比较基石的工作。Roma/DKM也使用其数据集，即MegaDepth和Scannet，这两个数据集是领域内用得较多的**
|
|
||||||
> LoFTR的训练/数据集配置 https://github.com/zju3dv/LoFTR/blob/master/docs/TRAINING.md
|
|
||||||
* [LightGlue](https://github.com/cvg/LightGlue)：2023iccv
|
|
||||||
* [GlueStick](https://github.com/cvg/GlueStick?tab=readme-ov-file): 2023iccv
|
|
||||||
|
|
||||||
## 动机
|
|
||||||
不从整个特征匹配入手，尝试从小的方面切入，比如视觉定位、图像匹配等小方面。
|
|
||||||
|
|
||||||
## 数据集
|
|
||||||
1. LoFTR：HPatches，视觉定位（InLoc），相对姿态估计（MegaDepth，Scannet）
|
|
||||||
> 代码上看其实只有 MegaDepth，Scannet相关的，没有 HPatches 和 InLoc 数据集相关的代码
|
|
||||||
|
|
||||||
|
|
||||||
2. DKM ：HPatches，视觉定位（InLoc），图像匹配（IMC2022），相对姿态估计（MegaDepth，Scannet）
|
|
||||||
> 代码上看其实只有 MegaDepth，Scannet相关的，没有 IMC2022 和 InLoc 数据集相关的代码
|
|
||||||
|
|
||||||
3. ASTR：HPatches，视觉定位（InLoc），相对姿态估计（MegaDepth，Scannet）
|
|
||||||
> 未开源
|
|
||||||
|
|
||||||
4. Roma：图像匹配（IMC2022），视觉定位（InLoc），相对姿态估计（MegaDepth，Scannet）
|
|
||||||
> 代码上看其实只有 MegaDepth，Scannet相关的，没有 IMC2022 和 InLoc 数据集相关的代码
|
|
||||||
5. LightGlue：HPatches，视觉定位（Aachen Day-Night），图像匹配（IMC），相对姿态估计（MegaDepth）
|
|
||||||
6. GlueStick: HPatches，ETH3D，视觉定位（7Scenes，InLoc），相对姿态估计（Scannet）
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
* MegaDepth ，887GB，https://www.cs.cornell.edu/projects/megadepth/
|
|
||||||
* Scannet ，1.3TB，需申请，https://github.com/ScanNet/ScanNet#scannet-data
|
|
||||||
---
|
|
||||||
* HPatches ，4.3GB，https://github.com/hpatches/hpatches-dataset
|
|
||||||
* IMC2021 ，~50GB， 是一个比赛，https://www.cs.ubc.ca/research/
|
|
||||||
image-matching-challenge/2021/
|
|
||||||
* InLoc ，应该不那么大，但是官方下载链接失效了
|
|
||||||
* Aachen Day-Night，~30GB, https://www.visuallocalization.net/datasets/
|
|
||||||
* 7Scenes ，~15GB，https://www.microsoft.com/en-us/research/project/rgb-d-dataset-7-scenes/
|
|
||||||
* ETH3D ，~30GB，https://www.eth3d.net/datasets
|
|
||||||
|
|
||||||
|
|
||||||
## 训练
|
|
||||||
主要是在MegaDepth，Scannet上。因为论文和代码中很少对其他数据集的提及。
|
|
||||||
|
|
||||||
Roma 、DKM：在4个 A100ti 上训练大约需要5天
|
|
||||||
|
|
||||||
LoFTR： 64个 1080ti 上1天
|
|
||||||
|
|
||||||
DeepMatcher：32个 Tesla V100
|
|
||||||
|
|
||||||
LightGlue：2个 RTX3090 上两天 + 200GB磁盘存储额外信息（MegaDepth）
|
|
||||||
|
|
||||||
GlueStick: 2个 RTX2080 上10天
|
|
||||||
|
|
||||||
## 后续
|
|
||||||
从小方面的数据集入手，通过paperswithcode网站找到数据集相关的特征匹配方面论文，感觉LigGlue和GlueStick可以尝试着手，后续再细了解下
|
|
||||||
|
|
||||||
Loading…
Reference in New Issue