【3D】姿態檢測網路PoseCNN復現過程記錄

【注】：本文地址：【3D】姿態檢測網路PoseCNN復現過程記錄.時光清淺，歲月嫣然
若轉載請於明顯處標明出處。

ps.搬一下自己在部落格園寫的文章。

最近在研究室內6D姿態檢測相關問題，計劃在PoseCNN網路基礎上進行改進實現。但是在第一步的復現過程中踩了無數的坑，最終成功執行了demo，目前網路訓練完畢，test結果照原文要差一點。
有問題歡迎一起交流進步！

本文重點講解網路程式碼復現過程，對於原文的講解可以閱讀這篇文章，滿滿乾貨！《論文筆記——PoseCNN》

本人系統環境：

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

環境配置

---

1.搭建虛擬環境

第一步，建立專屬於PoseCNN的虛擬環境，之後install的包都在此虛擬環境中。
虛擬環境的好處不用多說了吧，反正對Ubuntu系統的折騰越少越好！！！
我用 conda 建立的環境：

• conda create -n posecnn python=2.7
  啟用環境：
• conda activate posecnn
  如果不用這個環境，記得deactivate：
• conda deactivate posecnn

---

2.pip install

• pip install opencv-python

如果不行試一下： 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

注意一定要從原始碼安裝，雖然很繁瑣，但是經過實踐證明，pip install安裝出來的TensorFlow不好用。。
此外，使用gcc 4.8和g++ 4.8對後續的依賴包進行編譯。

• 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 輸入選擇 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++ 輸入選擇 1

測試一下gcc和g++的版本，顯示4.8就更換完畢了:

• gcc --version

• g++ --version

接下來安裝bazel，並選擇0.10.0版本，本文選擇下載sh檔案進行安裝，

下載地址：https://github.com/bazelbuild/bazel/releases/download/0.10.0/bazel-0.10.0-installer-linux-x86_64.sh
下載好之後，安裝：

• chmod +x bazel-0.10.0-installer-linux-x86_64.sh 修改檔案許可權
• ./bazel-0.10.0-installer-linux-x86_64.sh --user 進行安裝
  接著新增環境變數：
• gedit ~/.bashrc
• export PATH="$PATH:$HOME/bin"

下面下載安裝TensorFlow：

• git clone https://github.com/tensorflow/tensorflow.git
• cd tensorflow
• git checkout r1.8
• ./configure
  這一步，配置檔案會問很多問題，對應回答y/n即可:

注意 Python 及其sitepackage的路徑要與你之後環境路徑相對應
比如我在posecnn虛擬環境中執行的話，我的python路徑就是 …/.conda/env/posecnn/bin/python
大部分都選擇n，但是詢問cuda時，要根據你的電腦實際選擇

然後編譯原始檔：

• bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
  生成安裝包：
• bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/software/tensorflow
  最後安裝：
• pip install /tmp/tensorflow_pkg/tensorflow-1.8.0-cp27-cp27mu-linux_x86_64.whl
  至此，TensorFlow的原始碼安裝大功告成，可以import測試一下。

---

4.Eigen

wget https://bitbucket.org/eigen/eigen/get/3.3.0.zip
# 提取解壓壓縮包
# 重新命名資料夾為eigen
cd eigen
mkdir build && cd build
cmake ..
make
sudo make install

---

5.Nanoflann

wget https://github.com/jlblancoc/nanoflann/archive/ad7547f4e6beb1cdb3e360912fd2e352ef959465.zip
# 提取解壓壓縮包
# 重新命名資料夾為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
# 提取解壓壓縮包
# 重新命名資料夾為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
# 提取解壓壓縮包
# 重新命名資料夾為boost
cd boost
./bootstrap.sh
sudo ./b2
sudo ./b2 install

---

8.Sophus

wget https://github.com/strasdat/Sophus/archive/ceb6380a1584b300e687feeeea8799353d48859f.zip
# 提取解壓壓縮包
# 重新命名資料夾為Sophus
cd Sophus
mkdir build && cd build
cmake ..
make
sudo make install

---

9.NLOPT

wget https://github.com/stevengj/nlopt/archive/74e647b667f7c4500cdb4f37653e59c29deb9ee2.zip
# 提取解壓壓縮包
# 重新命名資料夾為nlopt
cd nlopt
mkdir build
cd build
cmake ..
make
sudo make install

至此，所有依賴包配置完畢，下面針對原始碼進行編譯執行。

---

10.Compile lib/kinect_fusion

先註釋掉/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."
因為這個issue
要是隻讀許可權無法修改，就用sudo chmod 777 /usr/local/cuda/include/crt/common_functions.h修改一下許可權。

cd kinect_fusion
mkdir build
cd build
cmake ..
make

編譯完記得取消註釋剛剛的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要換成你實際的PoseCNN程式碼路徑！！！）

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.下載資料集

• 下載YCB-Video資料集，提取碼52xx，解壓生成：PoseCNN/data/YCB
• 下載SUN2012資料集,解壓生成：PoseCNN/data/SUN2012/data
• 下載ObjectNet3D資料集,解壓生成：PoseCNN/data/ObjectNet3D/data

至此，環境配置完畢。接下來直接貼出原作者步驟：

Running the demo

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

2. run the following script

   ./experiments/scripts/demo.sh # 預設用0號GPU執行!
   # 或者
   ./experiments/scripts/demo.sh --gpuid 1 # 指定1號（也可以選擇你喜歡的GPU）執行空格很重要!
   

Running on the YCB-Video dataset

1. Download the YCB-Video dataset from here.資料集上一步已經下好了，這一步不用管~

2. Create a symlink for the YCB-Video dataset (the name LOV is due to legacy, Learning Objects from Videos)
   建立軟連線，讓程式碼知道你資料集放哪了。

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

3. 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
   
   

更多可以看下面的參考連結，很詳細。更多多的希望通讀程式碼！通讀程式碼！通讀程式碼！

---

參考：

• PoseCNN RSE-Lab，RSE-Lab
• PoseCNN GitHub程式碼，yuxng
• YCB-Video資料集下載，提取碼52xx，wangg12
• PoseCNN程式碼實現大綱，Kaju-Bubanja
• PoseCNN程式碼實現詳細，Luedeke
• 《論文筆記——PoseCNN》，XJTU_Bugdragon