当前位置：首页 > article >正文

Uubuntu20.04复现SA-ConvONet步骤

article 2026/2/13 0:56:13

项目地址：

tangjiapeng/SA-ConvONet: ICCV2021 Oral SA-ConvONet: Sign-Agnostic Optimization of Convolutional Occupancy Networks

安装步骤：

一、系统更新

检查系统是否已经更新到最新版本：

sudo apt-get update
sudo apt-get upgrade -y

二、安装基本依赖

安装一些必要的系统依赖库：

sudo apt-get install build-essential cmake git unzip pkg-config -y

三、Anaconda 安装

检查是否安装了Anaconda：

which conda

如果返回Anaconda的路径（如/home/username/anaconda3/bin/conda），说明Anaconda已安装。

四、创建虚拟环境

创建一个名为sa_conet的虚拟环境，并安装依赖：

conda create -n sa_conet python=3.8 -y
conda activate sa_conet

报错：

conda激活错误。解决方法：(参考https://zhuanlan.zhihu.com/p/200849155)

1、重新进入虚拟环境：

source activate

2、退出虚拟环境：

conda deactivate

3、重新执行：

conda activate sa_conet

不报错即可：

错误原因：

ssh连接该服务器使用conda activate sa_conet命令激活环境后未使用conda deactivate退出环境就关闭终端导致的。

五、克隆代码

从GitHub克隆代码：

git clone https://github.com/tangjiapeng/SA-ConvONet.git
cd SA-ConvONet

六、安装PyTorch

1.安装与CUDA兼容的PyTorch版本：

conda install pytorch==1.10.0 torchvision==0.11.1 torchaudio==0.10.0 pytorch-cuda=11.7 -c pytorch -c nvidia

2.检查 PyTorch 是否支持 CUDA:

在 Python 中运行以下代码：

import torch
print("CUDA Available:", torch.cuda.is_available())
print("CUDA Device Count:", torch.cuda.device_count())
print("Current CUDA Device:", torch.cuda.current_device())
print("Current Device Name:", torch.cuda.get_device_name(torch.cuda.current_device()))

如果输出显示 CUDA Available: True，则说明 PyTorch 已正确安装并能够使用 GPU。

import torch
print(torch.cuda.is_available())  # 应返回 True
print(torch.version.cuda)         # 应返回安装的 CUDA 版本

七、安装依赖

运行以下命令安装项目依赖：（其实可以直接按文件创建，这样会方便一些）

conda env create -f environment.yaml
conda activate sa_conet

如果环境 `sa_conet` 已经存在，但不是通过 `environment.yaml` 创建的,解决方案：

方法1：

更新环境依赖，使用 conda env update 命令更新现有环境以匹配 environment.yaml 文件：

conda env update --name sa_conet --file environment.yaml

方法2：

（1）删除现有环境：

conda remove --name sa_conet --all

（2）重新创建环境：

conda activate sa_conet

（3）激活新环境：

conda activate sa_conet

手动安装 torch-scatter：

pip install torch-scatter==2.0.4 -f https://pytorch-geometric.com/whl/torch-1.10.0+cu117.html

八、编译扩展模块

编译项目所需的扩展模块：

python setup.py build_ext --inplace

编译报错：

清理之前的编译文件，然后重新运行编译命令：

rm -rf build/ dist/ *.egg-info/

数据集准备：

九、下载示例数据

项目支持以下数据集：
ShapeNet：

下载预处理数据（73.4 GB）并放置在 data/ShapeNet 文件夹中。
合成室内场景数据集：
下载预处理数据（144 GB）：
bash scripts/download_data.sh
数据将自动解压到 data/synthetic_room_dataset 文件夹。
Matterport3D：

从 Matterport3D 官网下载数据，并使用提供的脚本预处理。

ScanNet：

从 ScanNet 官网下载数据，并使用提供的脚本预处理。

内部逻辑：

mkdir data
cd data
wget https://example.com/dataset.zip  # 替换为实际的数据集下载链接
unzip dataset.zip
cd ..

使用方法：

十、运行示例

1.重建大规模场景

运行以下命令重建Matterport3D场景：

python scripts/dataset_matterport/make_cropscene_dataset2.py --in_folder data/demo/Matterport3D_processed --out_folder data/demo/Matterport3D_processed_normalize --do_norm
python generate_optim_largescene.py configs/pointcloud_crop/demo_matterport.yaml

2.重建合成室内场景

运行以下命令重建合成室内场景：

python generate_optim_scene.py configs/pointcloud/demo_syn_room.yaml

3.ShapeNet 物体重建：

python generate_optim_object.py configs/pointcloud/demo_shapenet.yaml

下载模型文件：

https://s3.eu-central-1.amazonaws.com/avg-projects/convolutional_occupancy_networks/models/pointcloud_crop/room_grid64.pt

十一、验证结果

检查输出文件夹out/demo_matterport/generation或out/demo_syn_room/generation，确认生成的网格文件和输入点云是否正确。

正常来讲流程是这么个流程，我已经成功完成环境，编译，数据集，模型下载等部分了，最后运行时报了错，大概就是CUDA的问题，这个代码要求的Pytorch版本比较低（1.4.0），然后对应的CUDA版本是10.1，按这样做了之后，还是报错，查了一下因为我的版本架构与其不符，无法运行，又不想重装驱动，先搁置到此，如果这个教程能帮助有人复现成功也算它有用了，没有就当记录一下某次失败的经历吧......