mightbxg的博客

HF-Net 可以提取图像描述子（global_descriptors）和图像中的特征点（keypoints）及其描述子（local_descriptors），前者用于图像检索，后者配合 SuperGlue/NN 等特征匹配算法可用于相机位姿计算。因此 HF-Net 的应用场景就是 SLAM 中的地图定位与位姿恢复。虽然官方仓库已有完善的训练脚本和详细的使用说明，但有些细节还是需要注意的，在此记录一下。预先提醒：HF-Net 训练会产生 1.4TB 的中间数据，请确保数据盘有 1.5TB~2TB 的可用空

最近在搞 HF-Net，无奈它发布的时间比较老（2019年），使用 TensorFlow 版本是 1.12（1.15.0 也能用）。为了在 C++ 上跑 HF-Net，需要搭建 docker 环境。docker 相对于物理机的好处有：目前物理机 cuda 版本往往比较高（10.1 以上），而低版本 tf 需要低版本的 cuda+cudnn。使用 docker 的话，对物理机只有显卡驱动的要求弄好了 docker 环境，能够很方便地分享给其他人，而不需要每个人都编译一次 tf，另外也方便部署到服务器上

在生产环境中 PyTorch 模型经常需要部署在 C++ 程序中，目前我找的方法有三种：LibTorch: PyTorch 官方 C++ 库ONNX RuntimeOpenCV: DNN 模块示例网络本文以 PyTorch 官方教程中的 SuperResolution 模型为例，介绍模型在 C++ 中如何部署。模型结构如下：# Super Resolution model definition in PyTorchimport torch.nn as nnimport torch.nn.