ray 에서 로그를 모두 확인하고자 할 때에는 위 내용이 필요하다고 한다. 이것을 선언하는 위치가 중요하다.
import os
os.environ['RAY_DEDUP_LOGS'] = '0'
import ray
ray 를 불러오기 전에 해야 한다.
How to set RAY_DEDUP_LOGS=0 – Ray Core – Ray
Hi @cade Sorry for my late reply. I’ve just been running the code below: import os import numpy as np import gymnasium from gymnasium.spaces import Discrete, Box from gymnasium.wrappers import ResizeObservation import ray from ray.tune.registry import register_env import ray.rllib.algorithms.impala as impala from ray.tune.logger import pretty_print config = { “observation_space”: Box( low=0, high=255, shape=(72, 128, 3), dtype=np.uint8)…
안 될때는 안 되더니, 될 때는 또 금방 된다. 이번에는 copilot이 도움이 컸다. 몇몇 부분에서 수학적인 계산이 필요한 부분이 있었는데 관련 부분을 충분히 입력하면 거의 동작 가능한 수준에서 만들어 준다.
더 촘촘하게 mesh를 구성해보려고 했는데 2가지 이유로 안했다. 첫 번째로는 메모리 부분이다. 사소한 부분일 것 같기는 한데 numpy에서 오류가 난다. 두 번째는 현재 가로 해상도는 대략 최대 1.6mm 이다. 표면이 거칠기는 한데 그것보다는 thickness가 더 큰 영향을 미친다고 본다.
Blender에서 불러온 다음 표면을 살짝 부드럽게 해주면 좀 더 그럴듯하다.
콧구멍과 귓볼 처럼 굴곡이 심한 부분은 잘 안된다. 캡처 사진에서는 잘 안 보이는데 콧구멍이 5개쯤 된다.
Identification of Anonymous MRI Research Participants with Face-Recognition Software – PubMed
Identification of Anonymous MRI Research Participants with Face-Recognition Software
이 논문에서 영감을 받아서 진행했었다. 이제 저 아래쪽 그림을 보고 너무 겁먹지 않아도 좋을 듯 하다. 그 이유는 아래쪽 이미지처럼 잘 복원하려면 MRI 화질이 매우 매우 좋아야 한다. 작정하고 복원을 위한 시퀀스를 구성하지 않은 이상 짜부러진 얼굴이 나올 가능성이 높다.
결론부터 말하면 기존 알고리즘으로는 아쉬운 부분이 존재한다. 제대로 만들기 위해서는 한 땀 한 땀 mesh 를 작성해야 할 필요가 있다.
Brain MRI 중 T1 TRA SE 이미지가 적당해서 이걸로 선택했다. 한 장씩 DICOM 저장해서 확인한다. 익명성을 위해서 UUID를 이용해 버리는 바람에 DICOM에 포함된 Image Position 정보를 이용해서 순서대로 정렬시켜야 한다. Image Position 의 3번째 값이 머리-> 꼬리 방향과 연관된 정보이다.
MRI에는 CT 처럼 HU 값이 없다. 그냥 바탕의 적당한 값을 기준으로 어두운 부분은 False 있는 부분은 True 형식으로 변환시켰다. 적절한 처리를 거치면 이렇게 얼굴의 윗 부분을 만들 수 있다.
이 Numpy matrix에서 점에 대한 정보만 있어야 한다. Copilot에서 물어봤더니 약간 수정해야 하지만 매우 편한 스크립트를 짜주었다.
points = []
for x in range(blk.shape[0]):
for y in range(blk.shape[1]):
for z in range(blk.shape[2]):
if blk[x, y, z] > 0:
points.append([x, y, z])
points = numpy.array(points)
mesh 를 만들기 위해서는 법선(normal)이 있어야 한다. 당연히 이 정보는 없으니까 만들어 주어야 한다. pcd.has_normals() 을 이용해서 normal 이 있는지 알 수 있다. 없으면 estimate_normals() 을 이용하여 만들어 줄 수도 있다.
if pcd.has_normals():
pcd.normals = ...
else:
pcd.estimate_normals()
한 땀 한 땀 만들어야 하나 고민하고 있었는데 누군가가 이미 구현해둔 방법들이 있는 것을 알게 되었다.
[Python] Point clouds로 Mesh 생성하기
로봇이 Object를 grasphing하는 task의 시뮬레이션을 위해서는, object의 mesh가 필요하다. Python의 라이브러리를 사용하면 쉽게 mesh를 생성하고 export할 수 있다. 지금부터 Open3D를 이용하여 xyz format인 point clouds를 stl, ply, obj 등 mesh형태로 export 하는 방법을 알아보자. 나는 아래 url로부터 실습파일을 다운로드하였다. https://drive.google.com/drive/folders/1Ih_Zz9a6UcbUlaA-puEB_is7DYvXrb4w 1. 데이터 로드 Numpy와 Open3D 라이브러리를 Import 한다. import numpy as np import open3d as o3d datapath를 지정하고,…
jupyterlab 환경에서는 안된 것 같다. 좀 더 확인해 볼 필요가 있다. 얼핏 검색해 본 바에 의하면 numpy 버전을 1.대로 낮추어 야 할 필요가 있는 것 같다.
In many scenarios we want to generate a dense 3D geometry, i.e., a triangle mesh. However, from a multi-view stereo method, or a depth sensor we only obtain an unstructured point cloud. To get a triangle mesh from this unstructured input we need a surface reconstruction method. In the literature there exist a couple of methods and Open3D implements currently the following methods:
