OpenDroneMap (ODM) 无人机影像三维模型重建安装及使用快速上手

OpenDroneMap (ODM) 无人机影像三维模型重建安装及使用快速上手

1 文档概述

本文档是指导用户从零开始,使用 OpenDroneMap 对无人机采集的影像数据进行处理,生成三维点云、数字表面模型(DSM)、正射影像图(Orthomosaic)等成果。

本文档的预期读者为拥有无人机航拍影像(JPG/PNG格式)并希望进行三维建模的用户。

2.1 系统运行环境要求

- 操作系统:Windows 10/11, macOS, 或 Linux (推荐 Ubuntu)。

- CPU:多核心处理器(4核以上推荐,8核或更多更佳)(处理200张以上影像建议16GB+)。

- 内存 (RAM):至少 16GB,处理大面积区域建议 32GB 或以上。

- 硬盘空间:预留充足的存储空间。原始影像、中间文件和最终成果会占用大量空间。建议准备 影像大小的10-20倍 的可用空间(例如,1GB影像需要10-20GB空间)。

- 显卡 (GPU):虽然ODM主要依赖CPU,但拥有支持CUDA的NVIDIA GPU可以显著加速某些步骤(如深度图计算)。AMD/Intel集成显卡也可运行,但速度较慢

2.2 数据准备

· 将无人机采集的所有照片集中存放在一个文件夹中。

· 确保照片包含GPS信息(EXIF中的GPS Latitude, GPS Longitude, GPS Altitude)。这是自动定位的关键。检查方式:右键图片查看属性,图片需要带有位置信息,如下图所示:

· 建议使用一致的拍摄设置(分辨率、焦距、光圈),重叠率建议:航向重叠70%-80%,旁向重叠60%-70%。

· 清理掉模糊、过曝或完全遮挡的照片。· 如果没有数据,可以参考官方提供的数据示例:比如使用aukerman数据:

https://github.com/OpenDroneMap/ODMdata

3. OMD安装部署

3.1 系统安装说明

3.1.1 手动安装(推荐)

下载地址:https://github.com/OpenDroneMap/ODM/releases 

下载exe文件,双击安装运行,运行成功后出现ODM Console弹窗。

3.1.2 Docker安装指南

ODM推荐使用Docker容器化部署,避免复杂的依赖配置。以下是各操作系统的安装步骤(已安装Docker或者Dockerdesktop可以忽略安装部分,直接拉取镜像):

3.1.2.1 Windows系统

 1、访问Docker Desktop官网下载安装程序:

https://www.docker.com/products/docker-desktop/

2、双击安装文件,启用"使用WSL 2而不是Hyper-V"选项

3、安装完成后启动Docker,等待系统托盘图标显示"Docker Desktop running"

3.1.2.2 macOS系统

使用Homebrew安装:brew install --cask docker

从应用程序文件夹启动Docker

首次运行需在系统偏好设置→安全性与隐私中允许开发者权限。

3.1.2.3 Linux系统

# Ubuntu/Debian示例 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io sudo usermod -aG docker $USER  # 允许当前用户运行docker命令 newgrp docker  # 无需重启即可应用用户组变更

3.1.2.4 镜像包拉取

验证Docker是否安装成功:

docker --version  # 应显示Docker version 20.10+

拉取odm镜像

docker pull opendronemap/odm:latest

中国用户可使用镜像加速服务:

docker pull registry.docker-cn.com/opendronemap/odm

4. 系统使用说明

4.1 航拍照片处理

需要新建一个文件夹,并在里面建立一个images文件夹(存放要拼接的图片),图片需要自带GPS信息,(如果没有GPS信息,则需要用geo.txt文件存放图片的GPS信息)。

4.2 手动安装ODM执行(推荐)

在ODM Console弹窗中输入‘run --feature-type=sift --matcher-type=flann --skip-3dmodel D:\odm_test’ 运行,其中最后面‘D:\odm_tes’为存放照片的文件夹路径。

run --feature-type=sift --matcher-type=flann --skip-3dmodel D:\odm_test

等待执行,(24张照片,我大概跑了10分钟)出现ODM app finished以下页面,则表示运行完毕。

文件夹中,除了准备的images、geo.txt和test.py准备文件,剩下的都是生成的结果文件,按需选择相应的结果。使用meshlab软件查看ply文件,可以看到三维模型。

4.3 Docker版本ODM执行

4.3.1 基础重建命令详解

在终端中执行以下命令启动基础重建流程:

Linux/Mac示例

docker run -ti --rm -v ~/datasets:/datasets opendronemap/odm --project-path /datasets/my_project

Windows示例

docker run -ti --rm -v c:/datasets:/datasets opendronemap/odm --project-path /datasets/my_project

命令参数解析:

-ti:启用交互式终端

--rm:处理完成后自动删除容器

-v:挂载本地目录到容器内(格式:本地路径:容器路径)

--project-path:指定项目根目录

my_project:项目名称(对应datasets下的文件夹)

执行命令后,ODM将显示实时进度,典型输出如下:

[INFO]    Initializing ODM 3.1.9

[INFO]    Maximum photo dimensions: 5472px

[INFO]    Loading 120 images

[INFO]    Found GPS coordinates in EXIF data

[INFO]    Running OpenSfM reconstruction

[INFO]    Feature matching complete (12456 features matched)

4.3.2 高级参数调优

根据项目需求添加参数可显著提升输出质量。以下是最常用的优化参数:

4.3.2.1 提高重建精度

生成数字表面模型(DSM)并提高正射影像分辨率至2cm/像素

docker run -ti --rm -v ~/datasets:/datasets opendronemap/odm --project-path /datasets/my_project --dsm --orthophoto-resolution 2

4.3.2.2 处理大型数据集

启用分块处理,限制内存使用

docker run -ti --rm -v ~/datasets:/datasets opendronemap/odm --project-path /datasets/my_project --split 100 --max-concurrency 4

4.3.2.3 GPU加速(需NVIDIA显卡)

使用GPU加速特征提取,处理速度提升2-3倍

docker run -ti --rm -v ~/datasets:/datasets --gpus all opendronemap/odm:gpu --project-path /datasets/my_project --use-gpu

完整参数列表可通过docker run opendronemap/odm --help查看,常用参数速查表:

4.4 数据查看软件

4.4.1 正射影像与DEM查看(QGIS)

1. 下载安装

QGIS(国内用户建议使用OSGeo中国镜像)

2. 启动后点击"图层"→"添加图层"→"添加光栅图层"

3. 选择odm_orthophoto.tif文件,QGIS会自动识别地理坐标并定位

4.4.2 点云分析(CloudCompare)

1. 安装

CloudCompare

2. 打开软件后拖拽odm_georeferenced_model.laz文件到窗口

3. 使用快捷键:

4. W:切换线框/实体显示

5. E:调整点大小

6. Ctrl+F:启用颜色映射,按高程着色

4.4.3 三维模型查看(MeshLab)

 1. 安装

MeshLab

2. 打开odm_textured_model.obj文件

3. 右键点击模型→"渲染"→"纹理"启用纹理显示

5. 常见问题解决与性能优化

1. 影像重叠不足:确保前向重叠>70%,旁向>60%,解决方案:重新规划航线或使用--min-num-features 8000参数

2. 内存不足:处理200张以上影像需16GB+内存,临时解决方案:--downsample 0.5降低分辨率

3. GPS数据缺失:部分无人机未记录GPS,解决方案:添加--no-gps参数

4. 影像模糊:运动模糊会导致特征匹配失败,建议飞行速度

5. 光照变化大:拍摄时光照条件不一致,使用--use-3dmesh-texturing参数

6. 磁盘空间不足:单个项目需5-15GB空间,清理odm_texturing目录可释放临时文件

7. Docker权限问题:Linux用户需加入docker用户组,执行sudo usermod -aG docker $USER

8. 中文字符路径:所有文件夹和文件名不能包含中文

9. 相机参数异常:执行exiftool images/*.jpg检查焦距信息是否存在

10. 网络超时:首次运行需下载依赖,建议使用国内镜像或加速服务

6. 参考资料:

https://blog.ZEEKLOG.net/gitblog_00189/article/details/151913607

https://segmentfault.com/a/1190000010612098

https://blog.ZEEKLOG.net/V_V_V_V_V_V/article/details/148581770

https://blog.ZEEKLOG.net/Hugh_W/article/details/144175562

Read more

豆包、Deepseek、kimi润色、降重、降AIGC率,全网最全60个喂饭级指令

豆包、Deepseek、kimi润色、降重、降AIGC率,全网最全60个喂饭级指令

一、学术论文润色指令 1. [ 论文标题 / 学术提升:补充完善论文章节与段落逻辑链,使论据更充分严谨且论证关联度更高。 2. 论文章节/ 段落名称: 你要对这篇【论文章节/段落名称】部分的文字做些打磨,让它的语言风格契合【目标学术期刊/学科领域】的学术规范,用词精准没有歧义。 3. 针对这篇[论文章节/段落名称]的论证过程进行审核,保证其符合[指定理论框架/研究范式扎根理论/案例研究等]的要求,并予以修改完善。 4. 批判性思维培养在这一章节[论文章节/段落名称]当中分析了有关[研究对象/理论观点]的矛盾及局限,从而得到更具洞见性的结论 5. 请润色[论文引言部分],使其能够更加准确地提炼出研究问题,并且清楚地表达出研究所具有的学术价值以及理论意义,从而有效地吸引[目标领域]的专家学者。 6. 对 [ 文献综述部分

3大场景下的whisper.cpp模型选型指南:告别选择困难

3大场景下的whisper.cpp模型选型指南:告别选择困难 【免费下载链接】whisper.cppOpenAI 的 Whisper 模型在 C/C++ 中的移植版本。 项目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp whisper.cpp是OpenAI的Whisper模型在C/C++中的移植版本,它让开发者能够在各种设备上高效地实现语音识别功能。本文将为你详细介绍在不同场景下如何选择合适的whisper.cpp模型,帮助你轻松解决模型选型难题。 一、模型概述 whisper.cpp提供了多种不同规模的模型,以满足不同的需求。这些模型在大小、性能和识别效果上各有特点,主要包括tiny、base、small、medium和large等版本。你可以在models/目录下找到相关的模型文件,如for-tests-ggml-tiny.bin、for-tests-ggml-base.bin等。 二、场景一:移动端应用 在移动端应用中,

AI编程工具(Cursor/Copilot/灵码/文心一言/Claude Code/Trae)AI编程辅助工具全方位比较

AI编程工具(Cursor/Copilot/灵码/文心一言/Claude Code/Trae)AI编程辅助工具全方位比较

以下是主流 AI 编程辅助工具的全方位对比表格,涵盖功能特性、技术能力、适用场景等核心维度: 对比维度CursorGitHub Copilot灵码(阿里云)文心一言(代码助手)Claude CodeTrae(原 CodeGeeX)核心定位专注代码编辑器集成的 AI 辅助工具基于 IDE 插件的全场景代码生成工具面向企业级开发的智能编码平台依托文心大模型的多模态编程助手侧重代码安全性与可解释性的辅助工具支持多语言的轻量化编程助手支持 IDE自研编辑器、VS Code 插件VS Code、JetBrains 系列、NeovimVS Code、JetBrains 系列VS Code、Web IDEVS Code、JetBrains 系列VS Code、JetBrains 系列语言覆盖主流语言(Python/Java/JS 等),对前端语言优化突出全栈语言支持,对 GitHub 高频语言(JS/TS/

从零到一:Stable Diffusion商业级出图云端部署

从零到一:Stable Diffusion商业级出图云端部署 1. 引言:为什么电商公司需要AI商品图生成? 想象一下这样的场景:你的电商团队需要为500款新品制作主图,雇佣专业摄影团队拍摄需要2周时间和5万元预算,而员工用手机拍摄的图片质量参差不齐,修图师加班到深夜也赶不完需求。这就是许多中小电商企业面临的现实困境。 Stable Diffusion作为当前最强大的开源AI图像生成模型,可以帮你解决这个问题。它能够: * 根据文字描述自动生成高质量商品图 * 批量生成不同风格、背景的图片变体 * 7×24小时不间断工作,成本仅为人工的1/10 通过云端部署商业级Stable Diffusion服务,你的团队可以: 1. 输入"白色陶瓷杯,极简风格,自然光拍摄效果"等简单描述 2. 获得可直接上架的电商主图 3. 随时调整细节要求重新生成 4. 建立标准化图片生产流程 2. 环境准备:5分钟搞定云端GPU环境 2.1 为什么需要GPU? Stable Diffusion生成一张高清图片需要进行数十亿次数学运算,普通CPU需要几分钟才能完成,而GPU(