dasha_f
6e1a22ba8b
assets/conveyors (274 МБ) - ленты и угловая секция NVIDIA, на которые ссылается сцена относительным путём. Раньше исключались как перекачиваемые, но без них сцена не композится из коробки. cv/ - код стереодвижков, которые вызывает control_test, без весов: * defom-stereo - рабочий бейзлайн (DEFOM vitl, вход 480, iters 24) * crestereo - второй движок, точнее по габаритам (MAE 23.5 против 32.8 мм) * fast-foundationstereo - проверялся, в бейзлайн не вошёл * circular_section.py - показатель кругового сечения, перенесён в measure_plane.py: выравнивает облако по СОБСТВЕННЫМ главным осям и режет на пяти высотах вдоль каждой. Три самодельные версии (мировые оси, одно сечение) давали хуже; результаты проверки на эталонной геометрии - в circular_section_results.json Веса по-прежнему не в репозитории - источники в MODELS.md. Наборы кадров прежних прогонов (cv/flow_*, 1.26 ГБ) исключены: это выход, а не исходники. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
68 lines
2.9 KiB
Python
68 lines
2.9 KiB
Python
# Copyright (c) 2026, NVIDIA CORPORATION. All rights reserved.
|
|
#
|
|
# NVIDIA CORPORATION and its licensors retain all intellectual property
|
|
# and proprietary rights in and to this software, related documentation
|
|
# and any modifications thereto. Any use, reproduction, disclosure or
|
|
# distribution of this software and related documentation without an express
|
|
# license agreement from NVIDIA CORPORATION is strictly prohibited.
|
|
|
|
import os,sys
|
|
code_dir = os.path.dirname(os.path.realpath(__file__))
|
|
sys.path.append(f'{code_dir}/../')
|
|
from omegaconf import OmegaConf
|
|
from core.utils.utils import InputPadder
|
|
import argparse, torch, logging, yaml, time
|
|
import numpy as np
|
|
from Utils import AMP_DTYPE, set_logging_format, set_seed
|
|
|
|
|
|
if __name__=="__main__":
|
|
code_dir = os.path.dirname(os.path.realpath(__file__))
|
|
parser = argparse.ArgumentParser()
|
|
parser.add_argument('--model_dir', default=f'{code_dir}/../weights/23-36-37/model_best_bp2_serialize.pth', type=str)
|
|
parser.add_argument('--hiera', default=0, type=int)
|
|
parser.add_argument('--valid_iters', type=int, default=8, help='number of flow-field updates during forward pass')
|
|
parser.add_argument('--max_disp', type=int, default=192, help='maximum disparity')
|
|
parser.add_argument('--warmup', type=int, default=15, help='number of warmup iterations')
|
|
parser.add_argument('--total', type=int, default=30, help='total number of iterations')
|
|
args = parser.parse_args()
|
|
|
|
set_logging_format()
|
|
set_seed(0)
|
|
torch.backends.cudnn.benchmark = True
|
|
torch.autograd.set_grad_enabled(False)
|
|
|
|
with open(f'{os.path.dirname(args.model_dir)}/cfg.yaml', 'r') as ff:
|
|
cfg:dict = yaml.safe_load(ff)
|
|
for k in args.__dict__:
|
|
if args.__dict__[k] is not None:
|
|
cfg[k] = args.__dict__[k]
|
|
args = OmegaConf.create(cfg)
|
|
model = torch.load(args.model_dir, map_location='cpu', weights_only=False)
|
|
model.args.valid_iters = args.valid_iters
|
|
model.args.max_disp = args.max_disp
|
|
model.cuda().eval()
|
|
|
|
H, W = 480, 640
|
|
img0 = torch.randint(0, 256, (1, 3, H, W), dtype=torch.float32).cuda()
|
|
img1 = torch.randint(0, 256, (1, 3, H, W), dtype=torch.float32).cuda()
|
|
padder = InputPadder(img0.shape, divis_by=32, force_square=False)
|
|
img0, img1 = padder.pad(img0, img1)
|
|
|
|
logging.info(f"Image size: {H}x{W}, warmup: {args.warmup}, total: {args.total}")
|
|
|
|
times = []
|
|
with torch.amp.autocast('cuda', enabled=True, dtype=AMP_DTYPE):
|
|
for i in range(args.total):
|
|
torch.cuda.synchronize()
|
|
t0 = time.perf_counter()
|
|
disp = model.forward(img0, img1, iters=args.valid_iters, test_mode=True, optimize_build_volume='triton')
|
|
torch.cuda.synchronize()
|
|
elapsed = time.perf_counter() - t0
|
|
times.append(elapsed)
|
|
logging.info(f"Iter {i:2d}: {elapsed*1000:.1f} ms {'(warmup)' if i < args.warmup else ''}")
|
|
|
|
measure_times = times[args.warmup:]
|
|
avg = np.mean(measure_times) * 1000
|
|
logging.info(f"Vanilla Pytorch speed average (after warmup): {avg:.1f}[ms] over {len(measure_times)} iters")
|