graspnet复现保姆级教程

ubuntu22.04复现graspnet保姆级教程

1. 配置环境

1.1 确定环境

Ubuntu22.04
显卡驱动：Driver Version：470.239.06
CUDA版本（作者使用的是10.0.221）
根据CUDA版本确定cudnn（）版本
根据CUDA和cudnn版本下载对应的pytorch版本
python==3.7.16（必须大于等于3.6）
pytorch==1.7.0（需求文档里的pytorch是1.6.0版本，两个版本都可以使用，这里我用的1.7.0）
GPU名称：NVIDIA GeForce MX150
当前显卡的CUDA算力：61

1.2 配置环境

查看显卡以及驱动命令（470版本的驱动十分稳定，适配性高；该命令显示的CUDA版本是该电脑所能运行的CUDA最高的版本，所以在下载CUDA时，要选择版本号低于这个的版本）

nvidia-smi

![](https://img2024.cnblogs.com/blog/2583568/202404/2583568-20240410144227267-741621170.png) ![](https://img2024.cnblogs.com/blog/2583568/202404/2583568-20240410144254431-1006900440.png)

2.去官方网站下载对应版本的CUDA/CUDNN

https://developer.nvidia.com/cuda-toolkit-archive

https://developer.nvidia.cn/rdp/cudnn-archive

https://pytorch.org/

在这里插入图片描述

不会下载可以参考文章：

https://blog.csdn.net/qq_42194665/article/details/130028584

https://blog.csdn.net/Trisyp/article/details/131332354?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171272946616800178535496%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=171272946616800178535496&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-131332354-null-null.142^v100^pc_search_result_base3&utm_term=ubuntu20.04%E6%80%8E%E4%B9%88%E4%B8%8B%E8%BD%BDcuda&spm=1018.2226.3001.4187
后面这篇适合小白观看

创建conda环境然后下载pytorch（注意创建之后要进入环境之后再下载pytorch）

这是为了避免之前的pytorch版本的影响
```
conda create --name dieu python=3.7.16
source activate dieu      # dieu 就是环境的name
```
全部下载完成后可以用以下python代码检验：

 1 import torch
 2 print("是否可用：", torch.cuda.is_available()) # 查看GPU是否可用
 3 print("GPU数量：", torch.cuda.device_count()) # 查看GPU数量
 4 print("torch方法查看CUDA版本：", torch.version.cuda) # torch方法查看CUDA版本
 5 print("GPU索引号：", torch.cuda.current_device()) # 查看GPU索引号
 6 print("GPU名称：", torch.cuda.get_device_name(0)) # 根据索引号得到GPU名称
 7 print('CUDA版本:',torch.version.cuda)
 8 print('Pytorch版本:',torch.__version__)
 9 print('显卡是否可用:','可用' if(torch.cuda.is_available()) else '不可用')
10 print('显卡数量:',torch.cuda.device_count())
11 # print('是否支持BF16数字格式:','支持' if (torch.cuda.is_bf16_supported()) else '不支持')
12 print('当前显卡型号:',torch.cuda.get_device_name())
13 print('当前显卡的CUDA算力:',torch.cuda.get_device_capability())
14 print('当前显卡的总显存:',torch.cuda.get_device_properties(0).total_memory/1024/1024/1024,'GB')
15 print('是否支持TensorCore:','支持' if (torch.cuda.get_device_properties(0).major >= 7) else '不支持')
16 print('当前显卡的显存使用率:',torch.cuda.memory_allocated(0)/torch.cuda.get_device_properties(0).total_memory*100,'%')

2. 下载graspnet

2.1安装graspnet文件

git clone https://github.com/graspnet/graspnet-baseline.git

cd graspnet-baseline

pip install -r requirements.txt

2.2编译安装point2

cd pointnet2

python setup.py install

2.3编译安装knn

cd ..

cd pointnet2

python setup.py install

2.4安装graspnetAPI


git clone https://github.com/graspnet/graspnetAPI.git

将下载好的graspnetAPI文件移动到graspnet-baseline的目录下

cd graspnetAPI

pip install .

2.5手动构建文档

cd docs
pip install -r requirements.txt
bash build_doc.sh

3. 下载label和weight

3.1 下载

[tolerance.tar] https://pan.baidu.com/s/1HN29P-csHavJF-R_wec6SQ?_at_=1712722990153

3.2 将tolerance.tar移动到dataset目录下面

cd dataset

tar -xvf tolerance.tar

3.3 下载预训练权重

checkpoint-rs.tar和checkpoint-kn.tar是分别使用 RealSense 数据和 Kinect 数据进行训练

两个预权重只需要导入一个就可以（建议导入checkpoint-rs.tar，一定要记得自己的下载位置）

[checkpoint-rs.tar] https://pan.baidu.com/s/1Eme60l39tTZrilF0I86R5A

[checkpoint-kn.tar] https://pan.baidu.com/s/1QpYzzyID-aG5CgHjPFNB9g

4. 复现demo

4.1 编辑配置

使用pycharm打开graspnet-baseline文件，配置解释器，选择conda的虚拟环境（使用conda来管理python包是一个很好的选择，创建虚拟环境可以避免包的版本问题引发的报错）
```
不会可以参考：
https://blog.csdn.net/weixin_43486940/article/details/123229290
```
打开demo.py，在pycharm右上方的位置，展开，选择编辑配置

在形参那里输入预训练权重形参，注意后面的路径要修改为自己存储文件的位置

--checkpoint_path logs/log_kn/checkpoint.tar
如果不会配置路径的话，直接将checkpoint-rs.tar放置在graspnet-baseline目录下面，然后在形式参数那里输入：
--checkpoint_path ./checkpoint-rs.tar