【三维重建】【深度学习】instant-nsr-pl代码Pytorch实现--训练自己的数据集

【三维重建】【深度学习】instant-nsr-pl代码Pytorch实现–训练自己的数据集

基于Instant-NGP的神经表面重建：该存储库包含 NeRF 和 NeuS 的简洁且可扩展的实现，用于基于 Instant-NGP 和 Pytorch-Lightning 框架的神经表面重建，旨在为基于 NeRF 或 NeuS 的研究项目提供高效且可定制的样板。

文章目录

【三维重建】【深度学习】instant-nsr-pl代码Pytorch实现--训练自己的数据集
前言
制作数据集
训练自己的数据集
总结

前言

在详细解析NeuS网络之前,首要任务是搭建instant-nsr-pl【win10下参考教程】所需的运行环境，并完成模型的训练和测试，展开后续工作才有意义。
本博文是对instant-nsr-pl网络训练自己的数据集的流程进行讲解，详细代码会在后续的博文中陆续讲解。

博主将各功能模块的代码在不同的博文中进行了详细的解析，点击【win10下参考教程】，博文的目录链接放在前言部分。

制作数据集

关于个人数据集的制作详细流程，感兴趣的可以参考博主的另一篇博文【基于COLMAP制作自己的NeRF(LLFF格式)数据集】。instant-nsr-pl源码有自己的制作的方式：

下载COLMAP软件，选择合适的版本下载后解压，将bin和lib的文件夹内所有文件都放到同一目录下。
配置colmap的环境变量，并在cmd中输入“colmap”验证是否生效。
转化数据的格式，giraffe目录下有images放置所有图片，sparse\0(自己创建)则会保存colmap输出的结果。
```
activate instant-nsr-pl
python scripts/imgs2poses.py ./load/unbounded360/giraffe
```

到这里完成了数据格式的转化：

训练自己的数据集

还是强调一下要注意内存，不够的话扩大虚拟内存

# nerf 
python launch.py --config configs/nerf-colmap.yaml --gpu 0 --train dataset.scene=giraffe tag=giraffe
# neus带有mask
python launch.py --config configs/neus-colmap.yaml --gpu 0 --train dataset.scene=giraffe tag=giraffe 
# neus没有mask
python launch.py --config configs/neus-colmap.yaml --gpu 0 --train dataset.scene=giraffe tag=giraffe dataset.use_mask=false