GCNv2_SLAM-CPU详细安装教程(ubuntu18.04)

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：/a/457649.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

2、鸿蒙学习-申请调试证书和调试Profile文件

2、鸿蒙学习-申请调试证书和调试Profile文件

申请发布证书 发布证书由AGC颁发的、为HarmonyOS应用配置签名信息的数字证书&#xff0c;可保障软件代码完整性和发布者身份真实性。证书格式为.cer&#xff0c;包含公钥、证书指纹等信息。 说明 请确保您的开发者帐号已实名认证。每个帐号最多申请1个发布证书。 1、登录AppGa…
阅读更多...
Stable Diffusion 模型下载：Juggernaut（主宰、真实、幻想）

Stable Diffusion 模型下载：Juggernaut（主宰、真实、幻想）

本文收录于《AI绘画从入门到精通》专栏&#xff0c;专栏总目录&#xff1a;点这里。 文章目录 模型介绍生成案例案例一案例二案例三案例四案例五案例六案例七案例八 下载地址 模型介绍 该模型是一个真实模型&#xff0c;并且具有幻想和创意色彩。 作者述&#xff1a;我选取了…
阅读更多...
Windows,MacOS,Linux下载python并配置环境图文讲解

Windows,MacOS,Linux下载python并配置环境图文讲解

Windows 打开python官网 点击download 点击黄色按钮 另存为 打开文件 全选 配置安装路径 安装中 关闭路径长度限制 完成 验证 同时按住winr(win就是空格键左边的东西) 输入cmd 键入python,如果出现版本(红框)即安装成功 MacOS 同理打开python官网 点击最新版本 拖…
阅读更多...
在Django中使用PyJWT实现登录及验证功能

在Django中使用PyJWT实现登录及验证功能

目录 1、安装PyJWT 2、对信息加密及解密 3、配置登录视图和及url 4、登录装饰器 5、在验证有登录权限的的视图中登录 PyJWT的使用 1、安装PyJWT pip isntall pyjwt 2、对信息加密及解密 import jwt import datetime from jwt import exceptions# 加密盐 JWT_SALT &qu…
阅读更多...
installation of package ‘RDocumentation’ had non-zero exit status

installation of package ‘RDocumentation’ had non-zero exit status

installation of package ‘RDocumentation’ had non-zero exit status Warning in install.packages :installation of package ‘httr’ had non-zero exit status Warning in install.packages :installation of package ‘openssl’ had non-zero exit status 由于项目需…
阅读更多...
【CSP试题回顾】201712-2-游戏

【CSP试题回顾】201712-2-游戏

CSP-201712-2-游戏 解题思路 代码实现了一个模拟游戏过程的算法&#xff0c;其中n个小朋友围成一圈&#xff0c;按照顺时针方向依次编号从1到n&#xff0c;然后按顺时针方向依次报数。每当报的数是k的倍数或者个位数是k时&#xff0c;报数的小朋友会被淘汰。游戏继续进行&…
阅读更多...
Flask vs. Django：选择适合你的Web开发框架【第134篇—Flask vs. Django】

Flask vs. Django：选择适合你的Web开发框架【第134篇—Flask vs. Django】

Flask vs. Django&#xff1a;选择适合你的Web开发框架 在选择一个适合你项目的Web开发框架时&#xff0c;常常会遇到 Flask 和 Django 这两个流行的选择。两者都有其优势和适用场景&#xff0c;本文将探讨它们的特点&#xff0c;并通过代码实例和解析来帮助你更好地做出选择。…
阅读更多...
ChatGPT-Next-Web SSRF漏洞+XSS漏洞复现(CVE-2023-49785)

ChatGPT-Next-Web SSRF漏洞+XSS漏洞复现(CVE-2023-49785)

0x01 产品简介 ChatGPT-Next-Web 是一种基于 OpenAI 的 GPT-3.5 、GPT-4.0语言模型的产品。它是设计用于 Web 环境中的聊天机器人，旨在为用户提供自然语言交互和智能对话的能力。 0x02 漏洞概述 2024年3月，互联网上披露CVE-2023-49785 ChatGPT-Next-Web SSRF/XSS 漏洞,未经…
阅读更多...
使用Lua配置NeoVim

使用Lua配置NeoVim

使用Lua配置NeoVim 源码地址依次添加插件视频地址 源码地址 Github: my-neovim-lua 依次添加插件 Lazy.nvim: nvim的插件管理器catpuccin: 舒缓柔和的主题插件telescope: 负责查找、过滤、预览treesitter: 基于语法树实现语法高亮neo-tree: 文件导航栏 。。。等待解锁更多 …
阅读更多...
【排序算法】-- 深入理解桶排序算法

【排序算法】-- 深入理解桶排序算法

概述 在计算机科学中&#xff0c;排序算法是一种对数据进行有序排列的重要技术。桶排序&#xff08;Bucket Sort&#xff09;是一种常见的排序算法&#xff0c;它通过将数据分到有限数量的桶中&#xff0c;并对每个桶中的数据分别排序&#xff0c;最后按照顺序将所有桶中的数据…
阅读更多...
协作机器人的出现，为电子制造业带来了革命性的变化

协作机器人的出现，为电子制造业带来了革命性的变化

电子制造业作为现代工业的重要组成部分&#xff0c;对生产效率和精度的要求同样严格。协作机器人的出现&#xff0c;为电子制造业带来了革命性的变化。 在电子产品的生产过程中&#xff0c;零部件的上下料是一个复杂而繁琐的过程。传统的人工操作方式不仅效率低下&#xff0c;而…
阅读更多...
Spring Boot项目怎么从Nacos注册中心上获取其他服务列表信息？

Spring Boot项目怎么从Nacos注册中心上获取其他服务列表信息？

一、前言 在spring boot项目开发过程中&#xff0c;为了进行微服务之间的调用&#xff0c;我们一般会使用注册中心&#xff0c;比如Nacos。假设我们有一个业务需求&#xff0c;应用A需要从Nacos注册中心上获取服务信息进行分析&#xff0c;需要怎么实现呢&#xff1f; 二、开…
阅读更多...
AttributeError: cannot assign module before Module.__init__() call

AttributeError: cannot assign module before Module.__init__() call

原因 调用了自定义的类&#xff0c;但是在自定义的类的__init__函数下面没有写super( XXX, self ).init() 错误案例 import torch import torch.nn as nnclass SelfAttention(nn.Module):""" Self-Attention """def __init__(self, n_head, d…
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...
【爬虫开发】爬虫从0到1全知识md笔记第1篇：爬虫概述【附代码文档】

【爬虫开发】爬虫从0到1全知识md笔记第1篇：爬虫概述【附代码文档】

爬虫开发从0到1全知识教程完整教程&#xff08;附代码资料&#xff09;主要内容讲述&#xff1a;爬虫概述。selenium的其它使用方法。Selenium课程概要。常见的反爬手段和解决思路。验证码处理。chrome浏览器使用方法介绍。JS的解析。Mongodb的介绍和安装,小结。mongodb的简单使…
阅读更多...
人工智能|机器学习——CURE聚类算法（层次聚类）

人工智能|机器学习——CURE聚类算法（层次聚类）

1.CURE聚类概述 绝大多数聚类算法或者擅长处理球形和相似大小的聚类&#xff0e;或者在存在孤立点时变得比较脆弱。CURE采用了一种新颖的层次聚类算法&#xff0e;该算法选择基于质心和基于代表对象方法之间的中间策略。它不同于单个质心或对象来代表一个类&#xff0c;而是选择…
阅读更多...
远程办公、企业内网服务器的Code-Server上如何配置使用CodeGeeX插件

远程办公、企业内网服务器的Code-Server上如何配置使用CodeGeeX插件

很多小伙伴都会在工作中使用code-server&#xff0c;比如说远程办公&#xff0c;当你需要在家访问你的工作环境&#xff0c;亦或者是你们公司的Docker是放入服务器中。code-server 无疑是最好的选择&#xff0c;它可以让你通过互联网安全地连接到远程服务器上的开发环境并且使用…
阅读更多...
UE5 android打包

UE5 android打包

下载安装JDK https://repo.huaweicloud.com/java/jdk/https://repo.huaweicloud.com/java/jdk/ 选择对应的jdk版本 配置环境变量 编辑Path 验证是否成功 java -version 安装Android Studio https://developer.android.google.cn/studio?hlzh-cnhttps://developer.androi…
阅读更多...
C# 连接neo4j数据库，包括非默认的neo4j默认库

C# 连接neo4j数据库，包括非默认的neo4j默认库

官方文档没找见&#xff0c;自己在源码里面找到的 private string _dbHost "bolt://localhost:7687"; private string _dbUser "neo4j"; private string _dbPassword "******"; private IDriver? _driver;public CQLOperation(string _data…
阅读更多...
HTTPS基础

HTTPS基础

目录 HTTPS简介 HTTP与HTTPS的区别 CA证书 案例 服务器生成私钥与证书 查看证书和私钥存放路径 Cockpit(图像化服务管理工具) HTTPS简介 超文本传输协议HTTP协议被用于在Web浏览器和网站服务器之间传递信息。HTTP协议以明文方式发送内容&#xff0c;不提供任何方式的数据加密&…
阅读更多...
最新文章

Copyright @ 2022~2023