一、BundleTrack 简介

BundleTrack不依赖于实例或类别级别的 3D 模型（不需要cad模型）对新物体进行 6D 姿势跟踪的通用框架。可以在各种具有挑战性的场景下进行长期、低漂移的跟踪，包括显着的遮挡和物体运动。 CUDA 中的高效实现为整个框架提供了 10Hz 的实时性能。
项目地址：https://github.com/wenbowen123/BundleTrack
ps：能搜到笔者博文的肯定是论文已经看的很明白，且希望可以复现或者验证的，那数据结构、算法应当了然于胸。

二、环境配置-本机

项目是配在docker里运行的（不知道啥是docker就去Google or baidu 一下，装个docker还是很简单的），此处有坑，作者并未说到虽然docker的镜像里面，作者配好了annaconda python c++ gcc cuda 等等。但是实际上我们的宿主机器还是要精确的配好nvidia driver 以及cuda=10.1，记住了啊！！！
关于本机的算力匹配能装上的驱动和cuda 见链接：
显卡型号算力查询：https://developer.nvidia.com/cuda-gpus

查询cuda与算力方法：

import torch
torch.cuda.get_arch_list()

output:

package pyton cuda  cudnn architectures
pytorch-1.0.0 py3.7 cuda10.0.130  cudnn7.4.1_1  sm_30, sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.0.0 py3.7 cuda8.0.61  cudnn7.1.2_1  sm_20, sm_35, sm_37, sm_50, sm_52, sm_53, sm_60, sm_61
pytorch-1.0.0 py3.7 cuda9.0.176 cudnn7.4.1_1  sm_35, sm_37, sm_50, sm_52, sm_53, sm_60, sm_61, sm_70
pytorch-1.0.1 py3.7 cuda10.0.130  cudnn7.4.2_0  sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.0.1 py3.7 cuda10.0.130  cudnn7.4.2_2  sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.0.1 py3.7 cuda8.0.61  cudnn7.1.2_0  sm_35, sm_37, sm_50, sm_52, sm_53, sm_60, sm_61
pytorch-1.0.1 py3.7 cuda8.0.61  cudnn7.1.2_2  sm_35, sm_37, sm_50, sm_52, sm_53, sm_60, sm_61
pytorch-1.0.1 py3.7 cuda9.0.176 cudnn7.4.2_0  sm_35, sm_50, sm_60, sm_61, sm_70
pytorch-1.0.1 py3.7 cuda9.0.176 cudnn7.4.2_2  sm_35, sm_50, sm_60, sm_70
pytorch-1.1.0 py3.7 cuda10.0.130  cudnn7.5.1_0  sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.1.0 py3.7 cuda9.0.176 cudnn7.5.1_0  sm_35, sm_50, sm_60, sm_61, sm_70
pytorch-1.2.0 py3.7 cuda9.2.148 cudnn7.6.2_0  sm_35, sm_50, sm_60, sm_61, sm_70
pytorch-1.2.0 py3.7 cuda10.0.130  cudnn7.6.2_0  sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.2.0 py3.7 cuda9.2.148 cudnn7.6.2_0  sm_35, sm_50, sm_60, sm_61, sm_70
pytorch-1.3.0 py3.7 cuda10.0.130  cudnn7.6.3_0  sm_30, sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.3.0 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_30, sm_35, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.3.0 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_50, sm_60, sm_61, sm_70
pytorch-1.3.1 py3.7 cuda10.0.130  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.3.1 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.3.1 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.4.0 py3.7 cuda10.0.130  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.4.0 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.4.0 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.5.0 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.5.0 py3.7 cuda10.2.89 cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.5.0 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.5.1 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.5.1 py3.7 cuda10.2.89 cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.5.1 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.6.0 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.6.0 py3.7 cuda10.2.89 cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.6.0 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.7.0 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.7.0 py3.7 cuda10.2.89 cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.7.0 py3.7 cuda11.0.221  cudnn8.0.3_0  sm_37, sm_50, sm_60, sm_61, sm_70, sm_75, sm_80
pytorch-1.7.0 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.7.1 py3.7 cuda10.1.243  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.7.1 py3.7 cuda10.2.89 cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.7.1 py3.7 cuda11.0.221  cudnn8.0.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75, sm_80
pytorch-1.7.1 py3.7 cuda9.2.148 cudnn7.6.3_0  sm_37, sm_50, sm_60, sm_61, sm_70
pytorch-1.8.0 py3.7 cuda10.1  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.8.0 py3.7 cuda10.2  cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.8.0 py3.7 cuda11.1  cudnn8.0.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75, sm_80, sm_86
pytorch-1.8.1 py3.7 cuda10.1  cudnn7.6.3_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.8.1 py3.7 cuda10.2  cudnn7.6.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75
pytorch-1.8.1 py3.7 cuda11.1  cudnn8.0.5_0  sm_35, sm_37, sm_50, sm_60, sm_61, sm_70, sm_75, sm_80, sm_86

清楚的知道自己显卡配的上谁以后，就不要咔咔咔瞎给自己太多负担装太多版本的cuda了(比如显卡为rtx3070s，算力是sm_86，那明显只能cuda>=11.1 啊，装了cuda==10.2 也用不上okay？ )，不然后期就会保熟悉的错误，be like: no kernel images.

好了宿主机器的配置就这样okay：cuda=10.1

三、正式配置docker

3.1 首先看看BundleTrack readme的docker要求

很简单啊，在新建的终端里把两个镜像pull 下来：

docker pull wenbowen123/bundletrack:latest
docker pull wenbowen123/lf-net-release-env:latest

这里只要装了docker 就等镜像被拉到本地就好，值得注意的个点：
1 .用超级用户权限来执行拉镜像okay? 不然又要报permisson deniny;
2 . 拉好一个就会自动将镜像实例化进入到容器内，怎么做呢，执行退出命令回到宿主机器啊：exit.

3.1.1 把 BundleTrack 这个repo 弄到本地

这也是作者没有细说的！！！！
我管你用什么方式呢反正把项目要克隆到本机，路径当然是你放很多项目的路径好找啦（我建议不要换名字，项目主文件夹还是叫BundleTrack比较好，后面不容易混乱），还有就是官方提到的weights还有数据通通下载下来放到刚刚克隆下来的repo里头。
可能有人会问了，镜像不是都弄好了咩，咋还要在本地弄项目啊。是这样啊镜像是基础的环境，项目的数据啊codes datasets weights 这么大，就没有弄到镜像里面啊。

注意看啊，下载的数据权重就放在你的本地的repo下，就我框起来的这几个路径啊，不要被迷惑。

3.1.2 开启容器wenbowen123/bundletrack:latest

然后呢再去运行我们的第一个容器这里又有坑啦

首先看官方是让我们去项目文件下的docker下的run_container.sh 下面改路径。也就是进入我们的项目文件夹，然后我们就先改这个sh文件里的路径啊：

BUNDLETRACK_DIR="你的宿主机器下的BundleTrack主路径，be like: /home/xx/project/BundleTrack"
NOCS_DIR="你的宿主机器下的NOCS数据集的路径，be like: /home/xx/project/BundleTrack/NOCS"
YCBINEOAT_DIR="你的宿主机器下的YCBINEOAT数据集的路径，be like: /home/xx/project/BundleTrack/YCBINEOAT"
echo "BUNDLETRACK_DIR $BUNDLETRACK_DIR"
echo "NOCS_DIR $NOCS_DIR"
echo "YCBINEOAT_DIR $YCBINEOAT_DIR"docker run --gpus all -it --network=host --name bundletrack  -m  16000m --cap-add=SYS_PTRACE --security-opt seccomp=unconfined  -v $BUNDLETRACK_DIR:$BUNDLETRACK_DIR:rw -v $NOCS_DIR:$NOCS_DIR -v $YCBINEOAT_DIR:$YCBINEOAT_DIR -v /tmp:/tmp  --ipc=host -e DISPLAY=${DISPLAY} -e GIT_INDEX_FILE wenbowen123/bundletrack:latest bash

如果没问题的话运行 bash run_container.sh 那就成功的进入容器了
但是一般怎么会没问题一帆风顺呢哈哈哈哈一般这里可能出现三个问题： swap memory limit; --gpus all报错; 以及容器已存在。前两个问题呢我们参见前人方法，一般都能解决啦（注意长命令最好复制粘贴）：

https://blog.csdn.net/Tang_Zhe/article/details/122936986

最后一个容器已经存在情况我，总是有的的粗暴办法哈哈哈。

docker stop $(docker -ps -a -q)# 将若有容器暂停
docker rm $(docker -ps -a -q)# 将若有容器删除
#第二个命令其实是很粗暴，因为我的docker目前只是在
#弄bundletrack所以我就所有实例化的容器都删了，如果
#你只删除一个，就`docker -ps -a` 看看里面
#bundletrack 对应的容器ID ，然后执行
# docker rm container_ID 即可

这里顺带说下，容器的一些基本命令：

exit# 在容器的终端里退出容器回到宿主机器
docker start container_ID # 启动已存在的容器
docker attach container_ID # 进入容器，先start 再attac,相信我

运行完 bash run_container.sh 以后，我们在wenbowen123/bundletrack这个镜像实例化的容器内部了，在容器内，我们cd到BundelTrack路径下(容器内部的文件夹结构跟我们的linux是比较相似的)，执行编译：rm -rf build && mkdir build && cd build && cmake .. && make。
值得一说的是，bash run_container.sh 会把我们的在宿主机器下面Bundletrack的路径挂载到容器内部，我们文件的修改在宿主机下修改就可以了。

3.2 跑NOCS 推理

首先我们看一下官方文档。
我们先要在内一个容器内开启服务器。

3.2.1开启 wenbowen123/lf-net-release-env:latest 容器

照着官方节奏做：
在宿主机器下开始一个终端，cd到BundleTrack/lf-net-release 下执行run_container.sh 进入容器，cd到 lf-net-release 下，执行python run_server.py 开启容器，页面应该如下：

回到刚刚的bundletrack:last 的容器的终端：
(–nocs_dir 改成你自己宿主机器下的绝对路径)

python scripts/run_nocs.py --nocs_dir /home/cy/PycharmProjects/BundleTrack/NOCS --scene_id 1 --port 5555 --model_name can_arizona_tea_norm

3.2.2 结果展示

生成的结果在宿主机器的 /tmp/BundleTrack/NOCS 下。
在跑inferenc 过程，图像的visual是不显示的，只保存所有目标相对于相机的转换矩阵。
结果如下：

【IROS 2021: BundleTrack】docker 配置6D位姿识别运行环境相关推荐

Docker——使用docker工具管理软件/组件的运行，镜像、容器、数据卷的基本概念，常用指令，使用docker搭建Java微服务运行环境
Docker--使用docker工具管理软件/组件的运行,镜像.容器.数据卷的基本概念,常用指令,使用docker搭建Java微服务运行环境一.docker的安装和卸载 1.卸载 2.安装 3. 导 ...
Ubuntu 18.04配置ORB-SLAM2和ORB-SLAM3运行环境+ROS实时运行ORB-SLAM2+SLAM相关库的安装
文章目录一.换源二.安装三方库 2.1 安装必要的依赖项 2.2 安装Pangolin 2.3 安装OpenCV3 2.4 安装Eigen3 三.安装ORB-SLAM2 四.安装ORB-SLAM3 ...
java applet配置_配置Java Applet的运行环境
Java小程序,也就是Java Applet,可以在Web浏览器中运行.Java Applet必须以脚本的形式嵌入到HTML页面中,才能在web浏览器中运行. 之前总以为本地安装了JDK,指定好JAV ...
win7和win2008 r2下配置IIS7(ASP.net运行环境)
win7和win2008 r2下配置IIS7(ASP.net运行环境) 1.先要设置应用程序池(ApplicationPool)为Classic.NETAppPool,而不是默认的DefaultApp ...
java applet怎么运行_配置Java Applet的运行环境
Java小程序,也就是Java Applet,可以在Web浏览器中运行.Java Applet必须以脚本的形式嵌入到HTML页面中,才能在web浏览器中运行. 之前总以为本地安装了JDK,指定好JAV ...
Ubuntu配置多版本Python运行环境
Ubuntu配置多版本Python运行环境环境操作系统 Ubuntu 18.04.6 LTS (Bionic Beaver) 内容机器已有python 3.6,再增加python 3.9,当运行 ...
linux(centos7) docker配置前后端分离项目环境
一.安装docker 1.更新yum包,并安装需要的软件包,yum-util 提供yum-config-manager功能,另两个是devicemapper驱动依赖 yum -y upgrade yu ...
用Docker打造多版本PHP运行环境
2019独角兽企业重金招聘Python工程师标准>>> 背景随着Docker的不断成熟,越来越多的站长以及运维人员选择Docker构建程序运行环境,另外由于国内的云服务厂商通常在新 ...
Ubuntu 20.04配置ORB-SLAM2和ORB-SLAM3运行环境+ROS实时运行ORB-SLAM+Gazebo仿真运行ORB-SLAM2+各种相关库的安装
文章目录一.换源 1.1 通过软件更新 1.2 通过修改源文件二.安装三方库 2.1 安装必要的依赖项 2.2 安装Pangolin 2.3 安装OpenCV3 2.4 安装Eigen3 三.安装 ...

【IROS 2021: BundleTrack】docker 配置6D位姿识别运行环境