Nerf如何制作自己的llff数据集 | 您所在的位置:网站首页 › 制作自己的csv数据集 › Nerf如何制作自己的llff数据集 |
Nerf三维重建使用Pycharm运行自己的数据集
------------------------------------20230427更新---------------------------------------------- Nerf代码讲解,从零简单复现论文代码 Nerf环境配置教程 你好! 这里是“出门吃三碗饭”本人,本文章接下来将介绍自己制作Nerf数据集,让你自己动手渲染第一个三维模型。视频解说可以关注B站,搜索 出门吃三碗饭 ,即可找到对应视频(预计11.24更新),另外可以关注《AI知识物语》 公众号获取更多详情信息。 讲解视频链接如下 讲解演示视频 1:准备图片数据我这里 新建1个文件,叫plant,里面创建images文件,放上拍好的图片(这里建议按照拍照角度顺序,不要一会左一会右),文件中没有用红色方框圈起来的文件先不用着急 2:Colmap 重建预处理 1: File --New Project-- 新建自己 plant.db,并选取images文件 2: 现在进行特征提取 再进行特征匹配 结束后点击Processing旁边的Reconstruction,选择Start Reconstruction 结果如下 3:导出参数文件在导出前,先建立以下目录,和images同一等级创建sparse文件,再在其下建立0文件 File 导出 export model,保存的位置就是上图sparse文件下的0文件 export后,0文件就有下面4个文件 4: 位姿获取现在我们有以下3个文件 创建 imgs2poses文件 (该imgs2poses.py 需要从llff导入一些包,其可以在官方代码github上找到,文末我也会贴出项目地址) imgs2poses.py from llff.poses.pose_utils import gen_poses import sys import argparse parser = argparse.ArgumentParser() parser.add_argument('--match_type', type=str, default='exhaustive_matcher', help='type of matcher used. Valid options: \ exhaustive_matcher sequential_matcher. Other matchers not supported at this time') parser.add_argument('scenedir', type=str, default='M:/ColmapData/NerfPlant1/', help='input scene directory') args = parser.parse_args() if args.match_type != 'exhaustive_matcher' and args.match_type != 'sequential_matcher': print('ERROR: matcher type ' + args.match_type + ' is not valid. Aborting') sys.exit() # python imgs2poses.py M:/ColmapData/NerfPlant1 if __name__=='__main__': #gen_poses(args.scenedir, args.match_type) gen_poses(args.scenedir, args.match_type)在pycharm下使用命令 python imgs2poses.py M:/ColmapData/NerfPlant1/ M:/ColmapData/NerfPlant1/ 这个可以换为自己的images所在的文件 比如我的 NerfPlant1文件下有之前创建的 images,sparse,以及plant.db文件运行成功下,会有下面这个重要的文件 5:转移到项目中下面把以上步骤的文件转移到 Nerf项目 data/nerf_llff_data下面的plant文件 6:创建config在官网项目中,创建自己的configs文件,我这里是plant.txt,其内容参考chair.tex 这是我的plant.txt 内容,具体改的内容可以自己对照其他txt修改 expname = plant basedir = ./logs datadir = ./data/nerf_llff_data/plant dataset_type = llff factor = 8 llffhold = 8 N_rand = 1024 N_samples = 64 N_importance = 64 use_viewdirs = True raw_noise_std = 1e0 7:完成数据制作,开始训练使用以下命令 python run_nerf.py --config configs/plant.txt就可以开始训练了。 上面的项目文件可以在公众号AI知识物语 输入 关键词 获取资源 |
CopyRight 2018-2019 实验室设备网 版权所有 |