基于monodepth2的单目深度估计自建数据集实验训练步骤

个人自建数据集：手机拍摄视频提取图像帧得到。

在预训练模型针对个人数据集再训练后，对特定场景的深度预测达到了优于Kitti训练参数模型的效果。

个人自建数据集训练步骤：
1、保证你的电脑有GPU环境，或者是远程连接云算力。
2、因为项目要求图像分辨率长宽应该是32的倍数，所以你录制的视频分辨率如果达不到这个要求的话，需要再进行裁剪，同时为了使模型能跑的起来跑快点，建议你再将高分辨率的图像进行裁剪。
3、使用videotopicture.py将你的视频转化为图像帧。
4、使用picturepath.py生成train_files.txt文件和val_files.txt文件，替代原来splits/eigen_zhou目录下的文件。
5、修改options.py中的图像长宽和data_path（数据集目录）和log_dir（参数模型和tensorboard中间结果保存地址）和batch_size、num_workers以及weights_init参数。
6、依据readme中的命令行对数据集进行训练，即可。
7、训练完成后，依据readme中的命令行对图像进行预测看结果，这个预训练参数模型再训练的预测结果，应该是在相关数据集上的效果明显优于KITTI预训练模型。

训练集以公园场景数据为例，示例图像如下

使用kitti训练得到的参数模型预测深度成图如下

在kitti模型基础上继续训练得到效果图如下，可以看到细节处的深度预测效果提升明显，对于树木的预测更加细节化（几百张图像，只训练了10轮的情况）

​​​​​​​

同名公众号分享代码啦

​​​​​​​