企业官网建设流程全解析

如何快速搭建image-matching-toolbox环境：conda+PyTorch+预训练权重安装完整教程

【免费下载链接】image-matching-toolboxThis is a toolbox repository to help evaluate various methods that perform image matching from a pair of images.项目地址: https://gitcode.com/gh_mirrors/im/image-matching-toolbox

image-matching-toolbox 是一个面向图像特征匹配任务的开源工具箱（immatch），它为 LoFTR、SuperPoint、SuperGlue、D2Net 等 10 余种主流图像匹配方法提供了统一的调用接口和基准评测脚本。本文将手把手带你用 conda + PyTorch 在 15 分钟内完成环境搭建、预训练权重下载与安装验证，零基础也能一次跑通。

这个工具箱能做什么？

image-matching-toolbox 把分散在各处的图像匹配算法模块化封装成统一的 Python 接口，支持两类主流匹配范式：

• 稀疏关键点匹配：SuperPoint、CAPS、D2Net、R2D2、Dog-AffNet-HardNet + SuperGlue 匹配器
• 半稠密/Transformer 匹配：LoFTR、COTR、Aspanformer、NCNet、Patch2Pix 等

同时内置了 HPatches 特征匹配与单应性估计、InLoc、Aachen、RobotCar 视觉定位等常用基准的评测脚本。下面这张图就是安装完成后，用 Patch2Pix 方法对一对图像运行特征匹配的真实输出效果：

安装前准备：环境要求一览

代码已在Ubuntu 18.04 + Python 3.7 + PyTorch 1.7.0 + CUDA 10.2上验证通过。搭建前请确认：

安装步骤一：克隆仓库并初始化子模块

所有图像匹配方法的原始实现都以 git submodule 形式存放在third_party/目录下，克隆后必须初始化子模块，否则方法无法加载：

git clone https://gitcode.com/gh_mirrors/im/image-matching-toolbox cd image-matching-toolbox git submodule update --init

安装步骤二：下载预训练权重

各方法的预训练模型统一放在pretrained/目录，官方提供了一键下载脚本 pretrained/download.sh，会自动下载 CAPS、D2Net、SparseNCNet、LoFTR、COTR 等权重并为 R2D2、Patch2Pix、Aspanformer 建立软链接：

cd pretrained bash download.sh

💡 建议在网络良好的情况下运行，LoFTR 的室外/室内两个 checkpoint 文件较大。

安装步骤三：用 conda 创建 immatch 环境

项目自带环境配置文件 environment.yml，一条命令即可创建包含 PyTorch 1.7.0、CUDA 10.2、OpenCV 等全部依赖的immatch环境：

conda env create -f environment.yml conda activate immatch

⚠️ 注意：该环境可运行除 SparseNCNet 之外的所有方法。如需使用 SparseNCNet，需按其官方说明额外安装对应依赖。

安装步骤四：以开发模式安装 immatch 包

在项目根目录执行开发模式安装：

cd image-matching-toolbox python setup.py develop

开发模式的优点是修改代码后无需重新安装即可生效；依赖声明位于 setup.py 中。日后如需卸载：

pip uninstall immatch

安装步骤五（可选）：安装 pycolmap

如果你计划在 InLoc、Aachen、RobotCar 等视觉定位基准上做评测，还需要安装 pycolmap：

pip install pycolmap

只做图像匹配而不跑定位评测的话，可以跳过这一步。

安装验证：3 行代码跑通首次匹配

环境装好后，用官方示例快速验证。指定一对示例图像，用 configs/patch2pix.yml 的example配置加载 Patch2Pix 模型：

import immatch import yaml from immatch.utils import plot_matches with open('configs/patch2pix.yml', 'r') as f: args = yaml.load(f, Loader=yaml.FullLoader)['example'] model = immatch.__dict__[args['class']](args) matcher = lambda im1, im2: model.match_pairs(im1, im2) im1 = 'third_party/patch2pix/examples/images/pair_2/1.jpg' im2 = 'third_party/patch2pix/examples/images/pair_2/2.jpg' matches, _, _, _ = matcher(im1, im2) plot_matches(im1, im2, matches, radius=2, lines=True)

若屏幕上显示出两幅图像之间的密集匹配连线（类似文章开头的效果示例图），说明 image-matching-toolbox 环境已完全就绪 🎉 也可以直接打开示例 Notebook notebooks/visualize_matches_on_example_pairs.ipynb 跟着体验。

常见问题与后续维护

• 如何更新环境？两种方式：把新依赖加入 setup.py 后重新执行python setup.py develop（推荐），或用conda env update --file environment.yml --prune更新环境文件。
• 方法配置在哪里改？每个方法的测试参数都在 configs/ 目录下独立的 yml 文件中，如 configs/loftr.yml、configs/superpoint.yml。
• 评测流程在哪看？数据集准备与各基准的评测命令详见官方文档 docs/evaluation.md，完整安装说明见 docs/install.md。

按以上五个步骤操作，你已成功搭建好 image-matching-toolbox 图像特征匹配工具箱。接下来只需按评测文档下载对应数据集，即可开始对比各 SotA 匹配方法的表现，祝研究顺利！

【免费下载链接】image-matching-toolboxThis is a toolbox repository to help evaluate various methods that perform image matching from a pair of images.项目地址: https://gitcode.com/gh_mirrors/im/image-matching-toolbox