More than 1 year has passed since last update.

ShapeNetのオブジェクトをレンダリングし，Instant NeRFを学習させてみる

Posted at 2023-04-02

研究でShapeNetのオブジェクトをNeRFで学習させる機会があったのですが，あまり結果が出なかったのでここで成仏させます．

Github: https://github.com/tf63/ngp_tutorial

概要

ShapeNetのデータのレンダリングし，Instant NGPの学習を行う．
ShapeNetだけでなく一般に.objファイルに対応．
数十秒で学習可能

base repository

instant-ngp: https://arxiv.org/abs/2201.05989 の実装
npg_pl: instant-ngpのPyTorch実装，実装がとてもわかりやすい

環境構築

ライブラリ

以下にインストールするライブラリを示します．

PyTorch: pythonの機械学習用ライブラリ
torch-scatter: PyTorchのためのグラフ･ネットワーク処理ライブラリ
tiny-cuda-nn: C++で書かれたNVIDIA製の機械学習用ライブラリ
apex: 学習の高速化のためのライブラリ https://github.com/NVIDIA/apex
vren: レンダリング用ライブラリ
blender: レンダリング用のソフトウェア

データセット

データセットとしてShapeNetを使います．

https://shapenet.org/ (アカウントの登録が必要)
そのままだとShapeNet v1しか対応していません
ちょっと改良すればShapeNet v2にも対応できます

動作環境

OS: Ubuntu20.04
GPU: GeForce RTX 3060Ti (8GB), NVIDIA RTX A5000 (24GB)
- GRAM 6GBくらいは必要

仮想環境の作成

venvでpython環境作成

  python -m venv venv
  source venv/bin/activate

PyTorchのインストール

CUDA11.1, PyTorch 1.9.0をインストールします．
バージョンを変えたい場合は https://download.pytorch.org/whl/torch_stable.html で探してください．

  pip install --no-cache-dir -U pip setuptools wheel 
  pip install --no-cache-dir -r requirements.txt
  pip install --no-cache-dir torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html

torch_scatterのインストール

CUDA, PyTorchのバージョンにあったものを https://data.pyg.org/whl/ で探して-fで指定．

    pip install torch-scatter -f https://data.pyg.org/whl/torch-1.9.0+cu111.html

CMake

他のライブラリをインストールするために導入する必要がある．
aptでインストールできるものよりも高いバージョンでないといけない．
githubからダウンロードしてビルドする https://github.com/Kitware/CMake/releases/
- https://zenn.dev/suudai/articles/8b484ac39fde38 (参考)

    sudo apt install build-essential checkinstall zlib1g-dev libssl-dev -y
    wget https://github.com/Kitware/CMake/releases/download/v3.23.3/cmake-3.23.3.tar.gz
    cd cmake-3.23.3
    sudo ./bootstrap
    sudo make
    sudo make install
    hash -r
    cmake --version

tiny-cuda-nnのインストール

NVIDIA製の機械学習用ライブラリ https://github.com/nvlabs/tiny-cuda-nn
- Instant NGPのMultiresolution Hash Encodingもこれに入っているはず． (多分)
- これをPyTorchから呼び出すことで高速に処理が可能．
公式のインストール方法とは異なります．
結構warningが出るが無視しても大丈夫．インストールにかなり時間がかかります．

    git clone --recursive https://github.com/nvlabs/tiny-cuda-nn
    cd tiny-cuda-nn

    mkdir build && cd build
    cmake ..
    make

    cd ../
    pip install git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

    cd bindings/torch
    python setup.py install

環境変数の設定
https://github.com/NVlabs/instant-ngp#compilation から自分のGPUの値を確認

(例)

NVIDIA RTX 2070: 75
NVIDIA RTX 3060 Ti: 86
NVIDIA A100: 80
NVIDIA V100: 70

    export TCNN_CUDA_ARCHITECTURES=86

apexのインストール

学習の高速化のためのライブラリ https://github.com/NVIDIA/apex#linux
インストールに非常に長い時間がかかります．

    git clone https://github.com/NVIDIA/apex
    cd apex
    pip install -v --disable-pip-version-check --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./

vren

レンダリング用ライブラリ

    pip install git+https://github.com/kwea123/ngp_pl/#subdirectory=models/csrc

blender

https://github.com/nv-tlabs/GET3D/tree/master/render_shapenet_data を参考にインストール
バージョンはv2.90.0でないとダメ
インストール後，benchmarking/render.shを実行する際にblenderのパスを指定する

実行

ShapeNetのレンダリング

GET3Dからレンダリングスクリプト(render_shapenet_data/)をダウンロードする．
次のコマンドを実行します．
benchmarking/render.shのオプションは以下の通りです．うまく変更してください．
- --save_folder: レンダリング画像の保存先
- --dataset_folder: ダウンロードしたShapeNetへのパス
- --blender_root: blenderへのパス

    bash benchmarking/render.sh

レンダリングしたいオブジェクトを変更したい場合はrender_shapenet_data/render_all.pyを修正してください．
カメラの位置など，詳細な変更を加えたい場合はrender_shapenet_data/render_shapenet.pyを修正してください．

NeRF用データセットの準備

train, test, val用のデータセットを作成します．
現時点ではbenchmarking/render.shを実行するとランダムなviewがレンダリングされます
面倒ですが，1つのオブジェクトに対して3回レンダリングし，それぞれをtrain, test, valディレクトリに入れ直してください．

(完成形)

実際にはrender_shapenet_data/render_shapenet.pyを編集して使っています．
しかし，ライセンスの関係で改変して公開できていません．

NeRFの学習

次のコマンドを実行します．
benchmarking/benchmark_blender.shのオプションの一部を以下に示します．詳細はopt.pyを見てください．
- --exp_name: 実行の名前
- --dataset_name: データセットの種類
- --num_epochs: エポック数
- --batch_size: バッチサイズ

    bash benchmarking/benchmark_blender.sh

実行するとエラーが出ますが，面倒なので無理やり対処します

    File "ngp_tutorial/venv/lib/python3.8/site-packages/apex/transformer/tensor_parallel/mappings.py", line29, in <module> torch.distributed.reduce_scatter_tensor = torch.distributed._reduce_scatter_base

    AttributeError: module 'torch.distributed' has no attribute '_reduce_scatter_base'

おそらくPyTorchのバージョンの問題です．venv/lib/python3.8/site-packages/apex/transformer/tensor_parallel/mappings.pyを開いて修正します．

(修正前)

if "reduce_scatter_tensor" not in dir(torch.distributed):
    torch.distributed.reduce_scatter_tensor = torch.distributed._reduce_scatter_base

(修正後)

if "reduce_scatter_tensor" not in dir(torch.distributed):
    torch.distributed.reduce_scatter_tensor = torch.distributed.reduce_scatter

実行結果

train 24枚 (128x128)，10エポック学習．
results/<exp_name>/に結果が保存されます．

train 50枚，15エポック学習くらいで十分高品質なものができると思います．
ここで保存される画像は，testデータセットの各画像と対応しています．
ぐるぐる回転させるgifを作りたい場合は，testデータセットの画像を回転させながらレンダリングしてください．

NeRFのネットワークの拡張

models/networks.pyでネットワークのアーキテクチャを変更できます

参考

最近はこんなのもあるそうです．

https://github.com/nerfstudio-project/nerfstudio

他のデータセットで学習したい場合の参考

https://github.com/facebookresearch/NSVF#dataset

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up