https://velog.io/@ddeo99/VS-Code-C-%EC%82%AC%EC%9A%A9-%ED%99%98%EA%B2%BD-%EC%84%A4%EC%A0%95
MinGW 설치 파일이 다운로드 자체가 안돼서 애먹었는데,,, 위의 블로그 글 따라해서 성공했다.
'환경구축' 카테고리의 다른 글
CMAKE Error 해결 (0) | 2024.03.21 |
---|
https://velog.io/@ddeo99/VS-Code-C-%EC%82%AC%EC%9A%A9-%ED%99%98%EA%B2%BD-%EC%84%A4%EC%A0%95
MinGW 설치 파일이 다운로드 자체가 안돼서 애먹었는데,,, 위의 블로그 글 따라해서 성공했다.
CMAKE Error 해결 (0) | 2024.03.21 |
---|
https://github.com/DavidDiazGuerra/gpuRIR
이걸 설치하려고 하는데....
윈도우 10에서 아래의 에러가 발생했다...
CMake Error: CMAKE_CXX_COMPILER not set, after EnableLanguage
CMake Error: CMAKE_CUDA_COMPILER not set, after EnableLanguage
찾아보니 pytorch를 conda로 설치했을 때, 이럴 수 있다고 해서 pip로 설치해주어 해당 에러는 해결했다.
그런데 이번에는 CUDA toolset을 찾을 수가 없단다...
CMake Error at C:/Program Files/CMake/share/cmake-3.29/Modules/CMakeDetermineCompilerId.cmake:563 (message):
No CUDA toolset found.
https://github.com/NVlabs/instant-ngp/issues/18
똑같은 문제를 해결한 사람을 발견했다. cuda 11.8을 삭제후 재설치해 아래 조언대로 해보려고 한다.
엥?? 사용자 지정 옵션에 이미 자동으로 체크가 되어있다...!!!
그 밑에 visual studio 2022와 2019 모두 설치되어있을 때, 2022를 삭제하니 해결이 되었다는 말이 있다.
2022를 삭제하고 2019를 다시 설치했다.
참고로 visual studio 2019 설치 파일을 받을 수가 없어 아래 링크를 따라갔다.
https://striban.tistory.com/69
조언대로 MSVC도 체크해주었다.
이제 cmake도 재설치 해주겠다.
흠... 2022를 삭제하고 cmake를 재설치해주었는데, 2022를 못찾겠다고 한다
2019 대신 깔아줬는데~!
C:\Users\jis00\Research\gpuRIR\setup.py:32: DeprecationWarning: distutils Version classes are deprecated. Use packaging.version instead.
cmake_version = LooseVersion(re.search(r'version\s*([\d.]+)', out.decode()).group(1))
CMake Error at CMakeLists.txt:5 (project):
Generator
Visual Studio 17 2022
could not find specified instance of Visual Studio:
C:/Program Files/Microsoft Visual Studio/2022/Community
놀랍게도 깃허브 repository 삭제후 다시 받으니 해결이 됐다....
이후 CUDA도 재설치해주니 드디어 에러없이 설치가 완료되었다고 떴다!!
VS code C++ 환경구축 (1) | 2024.06.04 |
---|
개발 환경 : Windows10
이때 당시 딥러닝에 대한 지식이 전무하였고 참고자료가 부족하여 힘들었던 경험으로 남아있습니다. 하지만 무한 삽질의 결과 성공했습니다!
OpenPose는 딥러닝의 CNN기반으로 이미지 혹은 영상을 입력값으로 하여 객체의 위치와 방향을 감지한다. 출력 영상에서 사람을 인식하고, 움직이는 관절 부위들을 탐지하여 미리 정해진 skeleton을 분할해서 투영해준다. 0부터 17까지의 18개의 Key Point가 존재하고, 각각의 점을, 미리 훈련된 딥러닝 모델로 씌워주는데, 여기에는 아래의 3가지 과정이 존재한다.
(1) 객체(사람)를 탐지해서 바운딩 박스를 그림 (2) 추출된 바운딩 박스의 좌표들을 통해, ROI를 선정하여, 사람 부분만 따로 떼어 냄 (3) 추출된 사람 사진(영상)에서 미리 훈련된 모델로, Key Point를 생성함 |
이때 모델링은 신뢰도 추정방식의 분류모델로, 각각 CNN으로 특징을 추출하고 해당 부분이 어떤 신체부위인지에 픽셀별로 판단한 신뢰도 맵을 출력해준다. 그리고 신뢰도와 선호도 맵을 받아들여서, 각 사람별로 Key Point를 찍어준다. (데이터 셋마다 Key Point의 숫자에 의미가 있다.)
COCO Output Format |
Nose – 0, Neck – 1, Right Shoulder – 2, Right Elbow – 3, Right Wrist – 4, Left Shoulder – 5, Left Elbow – 6, Left Wrist – 7, Right Hip – 8, Right Knee – 9, Right Ankle – 10, Left Hip – 11, Left Knee – 12, LAnkle – 13, Right Eye – 14, Left Eye – 15, Right Ear – 16, Left Ear – 17, Background – 18 |
MPII Output Format |
Head – 0, Neck – 1, Right Shoulder – 2, Right Elbow – 3, Right Wrist – 4, Left Shoulder – 5, Left Elbow – 6, Left Wrist – 7, Right Hip – 8, Right Knee – 9, Right Ankle – 10, Left Hip – 11, Left Knee – 12, Left Ankle – 13, Chest – 14, Background – 15 |
(물론 제가 제대로 사용을 못한 걸수도 있습니다. ㅠㅠ)
<장점>
<단점>