利用3DGS中convert.py处理自采数据

前言

3DGS源码中convert.py提供对自采数据集的处理,需要预先安装ColmapImageMagick.

ubuntu22.04安装colmap

点击进入NVIDIA官网,查看GPU的CMAKE_CUDA_ARCHITECTURES

1、克隆colmap源码,并进入colmap文件夹

复制代码
git clone https://github.com/colmap/colmap.git
cd colmap

2、打开终端,预先安装一些前置依赖

复制代码
sudo apt-get install \
    git cmake ninja-build  build-essential \
    libboost-program-options-dev libboost-filesystem-dev \
    libboost-graph-dev libboost-system-dev libboost-test-dev \
    libeigen3-dev libflann-dev libfreeimage-dev libmetis-dev \
    libgoogle-glog-dev \
    libgflags-dev libsqlite3-dev  libglew-dev qtbase5-dev libqt5opengl5-dev \
    libcgal-dev libceres-dev

3、新建build文件夹,并进入build文件夹

复制代码
mkdir build
cd build

4、使用 cmake 配置时,指明 CUDA 编译器路径和指定GPU 的计算能力架构

复制代码
sudo cmake .. \
      -D CMAKE_CUDA_COMPILER="/usr/local/cuda-11.8/bin/nvcc" ../CMakeLists.txt \
      -D CMAKE_CUDA_ARCHITECTURES='89'

CMAKE_CUDA_COMPILER是本机CUDA的路径,

CMAKE_CUDA_ARCHITECTURES是本机GPU的计算能力,4090显卡对应8.9。

5、退回上一级目录

复制代码
cd ..

6、 指定并行编译的线程数

复制代码
sudo make -j24

7、 开始安装

复制代码
sudo make install

ubuntu22.04安装ImageMagick

进入ImageMagick仓库,如下步骤安装

复制代码
wget https://imagemagick.org/archive/ImageMagick.tar.gz
tar -xzvf ImageMagick.tar.gz
cd ImageMagick-7.1.1-43
./configure
make
sudo make install
sudo ldconfig /usr/local/lib

convert.py

将自采数据集图片放于 <location>/input,在相应的文件夹中创建原始分辨率的1/2、1/4和1/8的图像。

复制代码
python convert.py -s <location> [--resize]

MyData
|---images
|   |---<image 0>
|   |---<image 1>
|   |---...
|---images_2
|   |---<image 0>
|   |---<image 1>
|   |---...
|---images_4
|   |---<image 0>
|   |---<image 1>
|   |---...
|---images_8
|   |---<image 0>
|   |---<image 1>
|   |---...
|---sparse
    |---0
        |---cameras.bin
        |---images.bin
        |---points3D.bin
相关推荐
Trent198521 分钟前
影楼精修-智能修图Agent
图像处理·人工智能·计算机视觉·aigc
Blossom.1183 小时前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
叶子爱分享11 小时前
计算机视觉与图像处理的关系
图像处理·人工智能·计算机视觉
cver12312 小时前
野生动物检测数据集介绍-5,138张图片 野生动物保护监测 智能狩猎相机系统 生态研究与调查
人工智能·pytorch·深度学习·目标检测·计算机视觉·目标跟踪
kyle~13 小时前
目标检测在国防和政府的应用实例
人工智能·目标检测·计算机视觉
Akttt15 小时前
【T2I】R&B: REGION AND BOUNDARY AWARE ZERO-SHOT GROUNDED TEXT-TO-IMAGE GENERATION
人工智能·深度学习·计算机视觉·text2img
jndingxin16 小时前
OpenCV CUDA模块设备层-----反向二值化阈值处理函数thresh_binary_inv_func()
人工智能·opencv·计算机视觉
jndingxin17 小时前
OpenCV CUDA模块设备层-----在 GPU 上执行类似于 std::copy 的操作函数warpCopy()
人工智能·opencv·计算机视觉
jndingxin17 小时前
OpenCV CUDA模块设备层-----在GPU 上高效地执行两个 uint 类型值的最大值比较函数vmax2()
人工智能·opencv·计算机视觉
顾道长生'19 小时前
(Arxiv-2024)自回归模型优于扩散:Llama用于可扩展的图像生成
计算机视觉·数据挖掘·llama·自回归模型·多模态生成与理解