【亲测免费】 GMFlow 光流估计框架安装及使用教程

1. 项目目录结构及介绍

.
├── assets           # 辅助资源文件夹
├── data             # 数据集存放位置
│   └── demo         # 示例数据
└── gmflow            # GMFlow 主代码库
    ├── scripts       # 脚本文件，包括训练和推理脚本
    └── utils         # 工具函数
├── .gitignore       # Git 忽略文件列表
├── LICENSE          # 许可证文件
├── README.md        # 项目说明文件
├── environment.yml  # Conda 环境配置文件
├── evaluate.py      # 评估脚本
├── loss.py          # 损失函数定义
├── main.py          # 核心推理程序
└── train.py         # 训练脚本

• assets: 存放辅助资源，如视频等。
• data/demo: 包含示例图像数据。
• gmflow: GMFlow 的核心代码库，分为 scripts 和 utils 两个子目录，前者包含了训练和测试的脚本，后者是通用工具函数。
• .gitignore: 定义了 Git 中不需要版本控制的文件或目录。
• LICENSE: 项目授权许可证。
• README.md: 对项目的详细描述。
• environment.yml: 使用 Conda 创建环境的配置文件，包含了依赖项。
• evaluate.py: 用于模型性能评估的脚本。
• loss.py: 实现光流损失计算的代码。
• main.py: 入口脚本，用于运行预训练模型进行光流估计。
• train.py: 用于训练 GMFlow 模型的脚本。

2. 项目的启动文件介绍

main.py

main.py 是项目的主入口，它负责加载预训练模型并执行光流估计任务。在运行时，你可以指定输入图像路径以及是否可视化结果。

# 调用 main 函数以运行预训练模型
if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    ...
    args = parser.parse_args()
    ...
    inferencer = Inferencer(args)
    inferencer.run()

train.py

train.py 文件用于训练 GMFlow 模型。它设置训练参数，初始化网络，然后开始训练循环。

# 初始化训练参数
parser = argparse.ArgumentParser(description='Train GMFlow')
...
args = parser.parse_args()
...
# 初始化数据加载器
dataloader = build_dataloader(args)
# 初始化模型
model = build_model(args)
...
# 开始训练
trainer = Trainer(model=model, args=args, device=device)
trainer.train()

3. 项目的配置文件介绍

environment.yml 是一个 Conda 环境配置文件，用于创建一个具有所需依赖的 Python 环境：

name: gmflow
channels:
  - pytorch
dependencies:
  - pytorch=1.9.0
  - torchvision
  - cudatoolkit=10.2
  - python=3.8
  - tensorboard
  - torchvision
  - numpy
  - matplotlib
  - Pillow
  - scikit-image
  - scipy

这个文件定义了一个名为 gmflow 的环境，其中包含了 PyTorch 1.9.0、CUDA 工具包以及其它必需的库。要创建此环境并激活，可以使用以下命令：

conda env create -f environment.yml
conda activate gmflow

在正确配置好环境后，你可以按照 README 文件中的指示下载预训练模型、准备数据集，并使用提供的脚本开始训练或推理过程。