GCNv2_SLAM-CPU详细安装教程(ubuntu18.04)

news2024/9/25 7:16:25

GCNv2_SLAM-CPU详细安装教程-ubuntu18.04

  • 前言
  • 一、安装第三方库
    • 1.安装Pangolin
    • 2.安装OpenCV
    • 3.安装Eigen
    • 4.安装Pytorch(c++)
  • 二、安装以及运行GCNv2_SLAM
    • 1.安装编译GCNv2_SLAM
    • 2.单目模式运行演示案例
  • 总结

前言

paper:https://arxiv.org/pdf/1902.11046.pdf
githup::https://github.com/jiexiong2016/GCNv2_SLAM?tab=readme-ov-file
最近在ubuntu18.04上配置GCNv2_SLAM运行环境时踩了很多坑,在这期间查阅了很多资料和博客,于是想对安装过程进行总结,方便自己反复查阅以及分享经验避免大家重复踩坑。
博主是用docker在ubuntu18.04容器中安装的GCNv2_SLAM,已经打包成docker的镜像文件分享给大家。

因为博主的显卡安装不了低版本的cuda,对应低版本的pytorch只能使用cpu,因此暂时讲解cpu版本的安装教程

# 查看ubuntu版本号
lsb_release -a


安装前的准备:安装cmake、git 、gcc 和g++

# 更新apt库,更新软件列表
sudo apt-get update

apt-get源修改参考

# 安装git,用于从Github上克隆项目到本地
sudo apt-get install git
# 安装cmake,用于程序的编译
sudo apt-get install cmake
# 安装gcc和g++,安装c和c++编译器
sudo apt-get install gcc g++

一、安装第三方库

# 建立一个GCNv2_SLAM的文件夹,建议将所有的第三方库以及GCNv2_SLAM源码都放入其中
mkdir GCNv2_SLAM

可能需要安装百度云：

# 安装百度云,xxx.deb是自己下载的版本
sudo dpkg -i baidunetdisk_4.17.7_amd64.deb

1.安装Pangolin

Pangolin是对OpenGL进行封装的轻量级的OpenGL输入/输出和视频显示的库。
1.安装依赖项

sudo apt-get install libgl1-mesa-dev
sudo apt-get install libglew-dev
sudo apt-get install libboost-dev libboost-thread-dev libboost-filesystem-dev
sudo apt-get install libpython2.7-dev

2.安装 Pangolin
通过链接或通过git下载Pangolin源码(不推荐,问题很多)

# 需要科学上网
git clone --recursive https://github.com/stevenlovegrove/Pangolin.git

强烈推荐Pangolin 0.6(稳定版) 提取码：45bo

# 解压并重命名为Pangolin
unzip Pangolin-0.6.zip && mv Pangolin-0.6 Pangolin

# 开始编译和安装
cd Pangolin
mkdir build && cd build 
cmake -DCPP11_NO_BOOST=1 ..
sudo make install

3.验证安装是否完成

# 验证
cd ../examples/HelloPangolin
mkdir build && cd build
cmake ..
make
./HelloPangolin

若安装成功，则会弹出以下窗口：

2.安装OpenCV

可以参考该链接
1.安装依赖项

# 解决:Unmet dependencies.Try'apt--fix-broken install'with no packages(or specify a solution)
sudo apt --fix-broken install
sudo apt-get update
sudo apt-get upgrade

sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev
sudo apt-get install libtiff5.dev libswscale-dev

# 解决:add-apt-repository: command not found
sudo apt-get install software-properties-common

sudo apt-get update
sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt-get update
sudo apt-get install libjasper1 libjasper-dev

2.安装 OpenCV3.4.5
OpenCV3.4.5源码 提取码:m27t (可在Github仓库右侧的Releases里找大于2.4.3版本的OpenCV)

# 解压并重命名为opencv
tar -xvf opencv-3.4.5.tar.gz && mv opencv-3.4.5 opencv
# 开始编译和安装
cd opencv
mkdir build && cd build 
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
# 4线程数量,根据电脑性能选择合适的数字
make -j4
sudo make install

3.验证安装是否完成

# 查询OpenCV版本
pkg-config --modversion opencv
# 查询OpenCV库
pkg-config --cflags opencv
# 查询头文件目录
pkg-config --libs   opencv


# 验证
cd opencv/samples/cpp/example_cmake
cmake .
make
./opencv_example

若安装成功，则会弹出以下窗口：

3.安装Eigen

1.安装 Eigen3.3.7
建议源码安装可以下载任意大于3.1.0.版本对应的文件。

# 解压并重命名为eigen
tar -xvf eigen-3.3.7.tar.gz && mv eigen-3.3.7 eigen
# 开始编译和安装
cd eigen
mkdir build && cd build
cmake ..
make
sudo make install

# 在很多程序中include时经常使用#include <Eigen/Dense>而不是使用#include <eigen3/Eigen/Dense>
# 因此安装后需要将头文件从 /usr/local/include/eigen3/ 复制到 /usr/local/include
# 后续小节会有C++测试代码说明
sudo cp -r /usr/local/include/eigen3/Eigen /usr/local/include

2.测试eigen库安装完成
在home目录下新建一个test.cp 文件用以测试。

# 建立 test 测试文件
touch test_eigen.cpp
# 用gedit打开此测试文件,添加C++代码用于测试
gedit test_eigen.cpp
# 编译后生成一个test_eigen的可执行文件
g++ test_eigen.cpp -o test_eigen
# 在test_eigen可执行文件目录下执行以下命令,证明eigen库安装完成
./test_eigen

在test_eigen.cpp文件中添加的C++测试代码。

#include <iostream>
//需要将头文件从 /usr/local/include/eigen3/ 复制到 /usr/local/include
#include <Eigen/Dense>
//using Eigen::MatrixXd;
using namespace Eigen;
using namespace Eigen::internal;
using namespace Eigen::Architecture;
using namespace std;
int main()
{
        cout<<"*******************1D-object****************"<<endl;
        Vector4d v1;
        v1<< 1,2,3,4;
        cout<<"v1=\n"<<v1<<endl;
 
        VectorXd v2(3);
        v2<<1,2,3;
        cout<<"v2=\n"<<v2<<endl;
 
        Array4i v3;
        v3<<1,2,3,4;
        cout<<"v3=\n"<<v3<<endl;
 
        ArrayXf v4(3);
        v4<<1,2,3;
        cout<<"v4=\n"<<v4<<endl;
}

4.安装Pytorch(c++)

1.选择 Pytorch的版本：进入Pytorch的githup官网地址,按照下图步骤查询所需安装的pytorch版本。

博主试过1.12.0高版本的在以后执行GCNv2_SLAM出现错误,无解降低了pytorch版本。

2.Pytorch源码编译Libtorch

# 博主选择安装1.4.0版本
git clone --recursive -b v1.4.0 https://github.com/pytorch/pytorch
cd pytorch && mkdir build && cd build
# 构建 LibTorch 库, 建议python3而不是原始命令的python执行
# 因为2版本的python可能会报错
python3 ../tools/build_libtorch.py

编译成功

3.编译Libtorch过程中可能出现的错误

  • 假如git下载中途断掉,解决方案:
    # 进入目录pytorch
cd pytorch
# 用于初始化和更新子模块。
git submodule update --init --recursive
  • 正在使用的Python版本(2.x版本)不支持。

    解决方案:使用更高的python版本。
    python3 ../tools/build_libtorch.py
  • 找不到名为 setuptools 的模块。

    解决方案:安装 setuptools 模块。
    # 在 Ubuntu 上安装 Python 3 版本的包管理器 pip
sudo apt install python3-pip
# 安装 setuptools 模块
pip3 install setuptools
  • 没有安装符合要求的CMake版本。

    解决方案:更新CMake(参考教程)。
  • 找不到名为 typing_extensions yaml dataclasses 等模块。

    解决方案:安装 typing_extensions yaml dataclasses 等模块。
    pip3 install typing_extensions
pip3 install pyyaml 
pip3 install dataclasses
# 需要删除build重新进行编译
cd .. && sudo rm -rf build && mkdir build && cd build
# 构建 LibTorch 库
python3 ../tools/build_libtorch.py
  • c++: internal compiler error: Killed (program cc1plus)编译器试图使用过多内存或系统资源时,导致操作系统终止了编译器进程。


  • 解决方案1 (低性能机器不建议) :使用临时交换分区来解决，docker的ubuntu18.04容器的解决参考。
    # 创建一个大小为 30GB 的交换文件 /swapfile ,根据需要调整 bs 和 count 参数来创建不同大小的交换文件
sudo dd if=/dev/zero of=/swapfile bs=30M count=1024
# 更改上交换文件 /swapfile 的权限
sudo chmod 600 /swapfile
# mkswap 命令将指定的文件 /swapfile 标记为交换分区,并设置相应的文件系统标识
sudo mkswap /swapfile
# swapon 命令将指定的文件 /swapfile 作为交换空间启用,并将其添加到系统的交换空间列表中
sudo swapon /swapfile
# 重新打开黑框,需要删除build重新进行编译
sudo rm -rf build && mkdir build && cd build
# 构建 LibTorch 库
python3 ../tools/build_libtorch.py
# swapoff 命令将指定的交换空间文件或设备从系统中移除,并停止使用它作为虚拟内存的一部分
sudo swapoff /swapfile
# 删除 /swapfile 交换分区
sudo rm /swapfile
    解决方案2 (低性能机器强烈建议) :还有一个方法是减少线程数量,需要修改pytorch源码pytorch/tools/setup_helpers/cmake.py：
    # 修改线程数目max_jobs,博主指定了12个
# max_jobs 必须是string类型
max_jobs = '12'

二、安装以及运行GCNv2_SLAM

1.安装编译GCNv2_SLAM

# 通过git下载GCNv2_SLAM源码,需要科学上网
git clone https://github.com/jiexiong2016/GCNv2_SLAM.git
cd GCNv2_SLAM
# 赋予shell文件运行权限
chmod +x build.sh
# 需要科学上网
# 博主根据个人电脑性修改build.sh里的torch位置,即你下载pytorch的路径
./build.sh


编译CUP版本需要几个地方：

  • 修改GCNv2_SLAM/src/GCNextractor.cc中的相关代码：

    //第一处原代码:
const char *net_fn = getenv("GCN_PATH");
net_fn = (net_fn == nullptr) ? "gcn2.pt" : net_fn;
module = torch::jit::load(net_fn);
//修改为:
torch::DeviceType device_type;
device_type = torch::kCPU;
torch::Device device(device_type);
const char *net_fn = getenv("GCN_PATH");
net_fn = (net_fn == nullptr) ? "gcn2.pt" : net_fn;
module = torch::jit::load(net_fn,device);

//第二处原代码:
device_type = torch::kCUDA;
//修改为:
device_type = torch::kCPU;

  • 修改GCNv2_SLAM/GCN2下gcn2_320x240.pt、gcn2_640x480.pt和gcn2_tiny_320x240.pt中的内容：

    更改以gcn2_320x240.pt为例,使用zip解压：

    unzip gcn2_320x240.pt && sudo rm -rf gcn2_320x240.pt

    解压完成后进入到解压文件的code目录下打开gcn.py将cuda:0修改成cpu:

    修改完成后使用zip压缩：

    zip -r gcn2_320x240.pt gcn

编译成功：

常见的错误

  • 这个错误会被密密麻麻的错误信息覆盖导致找不到,建议首先排查,可以在一开始报错的时候就用Ctrl+V中断:

    (博主在此前pytorch1.12.0版本是出现的错误)，现在是pytorch1.4.0


    解决措施:只需要在GCNv2_SLAM/CMakeLists.txt文件修改添加：

    set(CMAKE_CXX_STANDARD 14)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
# 修改:set_property(TARGET rgbd_gcn PROPERTY CXX_STANDARD 11)
set_property(TARGET rgbd_gcn PROPERTY CXX_STANDARD 14)


  • std::shared_ptr是pytorch1.0.1版本使用的变量类型,现在博主使用的是pytorch1.4.0版本：

    解决措施:修改/GCNv2_SLAM/include/GCNextractor.h中的相关代码：

    //原代码
std::shared_ptr<torch::jit::script::Module> module;
//更改为
torch::jit::script::Module module;

  • module已经不是指针：
    解决措施:修改GCNv2_SLAM/src/GCNextractor.cc中的相关代码：

    //原代码
auto output = module->forward(inputs).toTuple();
//更改为
auto output = module.forward(inputs).toTuple();

  • 因为pytorch1.3以前默认true,后续版本默认false,需要修改：

    解决措施:以gcn2_320x240.pt为例,进入解压进入code目录下打开gcn.py修改内容,具有修改步骤此前内容已经阐述不再复述：

    //原代码
_32 = torch.squeeze(torch.grid_sampler(input, grid, 0, 0))
//修改为
_32 = torch.squeeze(torch.grid_sampler(input, grid, 0, 0, True))

2.单目模式运行演示案例

TUM 数据集
数据下载链接,下载如下数据集

在GCNv2_SLAM工程下新建datasets/TUM,将数据集下载到其中。

# 新建datasets/TUM数据集文件夹
mkdir  -p datasets/TUM 
# 下载数据集到datasets/TUM文件夹内
# 解压数据集
cd datasets/TUM && tar -xvf rgbd_dataset_freiburg1_desk.tgz

需额外下载associate.py添加到数据文件夹下，注意:只能在Python2 环境下运行。

# associate.py需要numoy包
sudo apt-get install python-pip
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

# 在数据文件夹里执行命令
python associate.py rgb.txt depth.txt > associate.txt

作用是使RGD和depth的数据做一个对齐,一 一对应。

执行以下命令显示效果

cd GCN2
GCN_PATH=gcn2_320x240.pt ./rgbd_gcn ../Vocabulary/GCNvoc.bin TUM3_small.yaml /root/GCNv2_SLAM/GCNv2_SLAM/datasets/TUM/rgbd_dataset_freiburg1_desk /root/GCNv2_SLAM//GCNv2_SLAM/datasets/TUM/rgbd_dataset_freiburg1_desk/associate.txt

总结

尽可能简单、详细的介绍GCNv2_SLAM(CPU)的安装流程以及解决了安装过程中可能存在的问题。后续会根据自己学到的知识结合个人理解讲解GCNv2_SLAM的原理和代码。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1517651.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

mysql事务（MVCC机制：undo日志）（mysql执行过程：redo日志，Buffer Pool缓存池）

mysql事务（MVCC机制：undo日志）（mysql执行过程：redo日志，Buffer Pool缓存池）

事务 目的&#xff1a;保证数据的最终一致性## 事务的目的 事务的4大特性&#xff08;ACID&#xff09; 1.原子性(Atomicity):由undo log日志来保证 2.一致性(Consistency):使用事务的最终目的&#xff0c;由业务代码正确逻辑保证,比如错误的try-catch 3.隔离性(Isolation):…
阅读更多...
若依Vue3图片预览大图遮罩层和表格的border css层级冲突

若依Vue3图片预览大图遮罩层和表格的border css层级冲突

样式层级出现问题&#xff0c;表格的层级高于图片的层级 1.解决方式一&#xff1a;设置此文件的该属性&#xff08;z-index&#xff09;为继承&#xff0c;则显示正常 .el-table .el-table__cell { z-index: inherit; } 2.解决方式二&#xff1a;将此属性设置为true(本人试了…
阅读更多...
Vscode 修改C++版本

Vscode 修改C++版本

1. 首先要检查GCC版本&#xff0c;有的gcc版本过低会导致C版本升级不成功 可以用cmd&#xff0c;用gcc --version命令查看gcc版本 我这里就是gcc版本较低&#xff0c;不支持c17 需要先升级gcc版本 gcc与c对应的版本&#xff0c;大家可以在这位大佬的博客中看&#xff0c;写…
阅读更多...
闯关升级游戏特点,闯关小程序游戏开发

闯关升级游戏特点,闯关小程序游戏开发

闯关升级类游戏一直以来都备受玩家青睐&#xff0c;其独特的游戏性和吸引力让人们乐此不疲。这类游戏以挑战性关卡和角色成长为核心&#xff0c;让玩家在不断的冒险中获得成就感与乐趣。让我们一起深入探讨这类游戏的特点&#xff0c;以及为何它们如此受欢迎。 挑战性关卡设计…
阅读更多...
FPGA - 串口发送多字节数据

FPGA - 串口发送多字节数据

1&#xff0c;任务要求 关于uart串口接收与发送可以参考我的这篇博客&#xff1a;《FPGA-UART串口》。这篇博客实现了单字节发送与接收。 接下来&#xff0c;来使用串口发送多字节数据到电脑。 2&#xff0c;模块框图以及简单时序分析图 串口发送多字节数据的思路是把写入的…
阅读更多...
Windows提示“无法删除文件：无法读源文件或磁盘”怎么办？

Windows提示“无法删除文件：无法读源文件或磁盘”怎么办？

当用户在Mac电脑上创建一个文件&#xff0c;又将文件共享到Windows系统后&#xff0c;该文件可能无法被Windows正常识别和使用&#xff0c;并且在删除时出现“无法删除文件&#xff1a;无法读源文件或磁盘”的提示&#xff0c;这可能和Windows不支持Mac电脑创建的某些文件名有关…
阅读更多...
Jmeter扩展开发--自定义java取样器

Jmeter扩展开发--自定义java取样器

简介 jmeter内置了包括&#xff1a;http、https、tcp等各种协议的支持&#xff0c;通常情况只需要做简单的参数配置即可使用。但在某些特殊情况下&#xff0c;还是希望能做自定义压测处理&#xff0c;此时就涉及Jmeter的扩展开发自定义Java取样器&#xff0c;如下图所示&#…
阅读更多...
基于物联网的智能家居监测与控制系统（全套资料）

基于物联网的智能家居监测与控制系统（全套资料）

项目源码资料下载地址&#xff1a; http://comingit.cn/?id29 易学蔚来全套毕设演示&#xff08;看上哪个选那个&#xff09;&#xff1a; https://www.yuque.com/javagongchengshi/ccadbu/nh92kcpyqodhf07l 毕设服务真实反馈&#xff0c;在线观看&#xff1a; https://www.yu…
阅读更多...
opencv中的图像高斯模糊—GaussianBlur

opencv中的图像高斯模糊—GaussianBlur

高斯模糊&#xff08;Gaussian Blur&#xff09;是一种广泛应用于图像处理的平滑技术&#xff0c;其通过对图像应用高斯函数来减少图像噪声和细节。与简单平均模糊&#xff08;均值滤波&#xff09;不同&#xff0c;高斯模糊给予中心像素更高的权重&#xff0c;而远离中心的像素…
阅读更多...
介绍Oracle的SQL调化健康检查脚本（SQLHC）

介绍Oracle的SQL调化健康检查脚本（SQLHC）

概述 Oracle提供了一个SQL调优健康检查脚本&#xff08;SQLHC&#xff09;&#xff0c;用于检查需要优化的SQL的运行环境&#xff0c;生成报告以便帮助DBA找到SQL性能不佳的原因。SQLHC是SQLT的一个子集&#xff08;我后续的文章会介绍SQLT&#xff09;&#xff0c;但SQLHC与S…
阅读更多...
#微信小程序（一个emo文案界面）

#微信小程序（一个emo文案界面）

1.IDE&#xff1a;微信开发者工具 2.实验&#xff1a;一个emo文案界面 &#xff08;1&#xff09;最好使用rpx &#xff08;2&#xff09;图片宽度占不满&#xff0c;在CSS中设置width为100% &#xff08;3&#xff09;imag图片全部为网页链接图片 3.记录 4.代码 index.htm…
阅读更多...
sqllab第二十关通关笔记

sqllab第二十关通关笔记

知识点&#xff1a; cookie注入 可以进行url解析错误注入传参位置 get请求post请求cookie传参 输入admin admin进行登录&#xff0c;抓取当前数据包 通过放包发现是一个302跳转的响应包&#xff0c;页面只有一个 I Love Cookies&#xff1b;没什么信息 通过点击页面上方的按钮…
阅读更多...
Linux搭建FTP服务器

Linux搭建FTP服务器

一、概念简介 vsftpd&#xff08;very secure FTP daemon&#xff09;是Linux下的一款小巧轻快、安全易用的FTP服务器软件&#xff0c;本次实验介绍如何在Linux上安装并配置vsftpd。 FTP&#xff08;File Transfer Protocol&#xff09;是一种文件传输协议&#xff0c;基于客户…
阅读更多...
vue antd table嵌套表格 左侧展开图标动态控制显示隐藏

vue antd table嵌套表格 左侧展开图标动态控制显示隐藏

antd a-table想要实现如以下效果&#xff0c;有子级就显示展开图标&#xff0c;没有就不显示图标&#xff1a; 话不多说&#xff0c;直接上代码&#xff1a; <template><a-table :columns"columns" :data-source"dataSource"><template #b…
阅读更多...
电机参数辨识算法（1）——基于高频注入的电感辨识策略

电机参数辨识算法（1）——基于高频注入的电感辨识策略

今天将开启参数辨识的第一期。通过复现论文来学习电机参数在线辨识的方法。我会尽可能讲述我在仿真遇到的问题以及解决办法。 1.文章内容介绍 参考文献如下&#xff1a; 这篇文章的复现估计要分为几个部分&#xff0c;电感辨识、电阻辨识、磁链辨识。 文章是以无差拍预测电流…
阅读更多...
【MySQL】MySQL主从复制

【MySQL】MySQL主从复制

目录 技术背景数据库架构演变1.单机MySQL数据库的美好年代2.Memcached(缓存)MySQL3.主从复制&#xff1a;读写分离4.垂直拆分业务数据5.分库分表 结论——生产环境的MySQL架构 什么是主从复制作用读写分离一主多从 应用场景原理解析MySQL主从复制工作方式master 记录二进制日志…
阅读更多...
提升零售行业竞争力的信息抽取技术应用与实践

提升零售行业竞争力的信息抽取技术应用与实践

一、引言 在当今快速发展的零售行业中&#xff0c;沃尔玛、家乐福等大型连锁超市为消费者提供了丰富的日常食品和日用品。为了进一步提升客户体验和优化库存管理&#xff0c;这些零售巨头纷纷开始探索和应用先进的信息抽取技术。 本文将深入探讨一个成功的信息抽取项目&#…
阅读更多...
vue iview 级联选择器遇到的坑

vue iview 级联选择器遇到的坑

我们PC项目用到的前端技术栈是vue+iview,最近有个需求，要做个级联选择器，并且是懒加载动态加载后端返回的数据。效果如下： 如下图所示，在我们封装的公共组件form-box.vue里有我们级联选择器： 代码如下： <!--级联选择器--><template v-else-if="item.type…
阅读更多...
【小白学机器学习9】自己纯手动计算验证，EXCEL的一元线性回归的各种参数值

【小白学机器学习9】自己纯手动计算验证，EXCEL的一元线性回归的各种参数值

目录 0 目标 1 构造模型 1.1 构造模型的思路 1.2 具体模型构造的EXCEL公式和过程 2 直接用EXCEL画图&#xff0c;然后生成趋势线的方式进行回归分析 2.1 先选择“观测值Y”的数据&#xff0c;用散点图或者折线图作图 2.2 然后添加趋势线和设置趋势线格式 2.3 生成趋…
阅读更多...
IP代理技术革新：探索数据采集的新路径

IP代理技术革新：探索数据采集的新路径

引言&#xff1a; 随着全球化进程不断加深&#xff0c;网络数据采集在企业决策和市场分析中扮演着愈发重要的角色。然而&#xff0c;地域限制和IP封锁等问题常常给数据采集工作带来了巨大挑战。亿牛云代理服务凭借其强大的网络覆盖和真实住宅IP资源&#xff0c;成为解决这些问…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023