monodepth2训练细节

最新推荐文章于 2023-06-04 15:39:14 发布
最新推荐文章于 2023-06-04 15:39:14 发布
阅读量3.8k 收藏 4
点赞数 5
分类专栏： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41641044/article/details/121712511
版权

当我们自己采集视频作为训练集的时候要注意对帧序列进行采样，每间隔十张抽取一张形成数据集，如果把视频所有帧都送进去训练得到的效果会很差，主要是因为重投影误差是在当前帧跟前后帧之间计算的，如果当前帧和前后帧之间的位移太小就相当于同一张图片了，模型很难学到相应的深度信息

乘风破浪的混子
关注
  • 5
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
Monodepth2-TF2:TF2.x中实现的monodepth2模型，原始论文《挖掘到自我监督的单眼深度预测》
03-26
Monodepth2-TF2 这是在TF2.x中实现的monodepth2模型，该原始论文《挖掘到自我监督的单眼深度预测》。 依存关系 tensorflow==2.3.1 (for gpu) cudatoolkit=10.1, cudnn=7.6.5 表现 我正在使用普通的GTX1060-MaxQ GPU。 用于单图像深度估计的FPS： 使用tf.saved_model.load （我认为这是服务模式） 编码器：〜2ms（500 FPS） 解码器：〜2ms 总体而言：> 200 FPS 使用tf.keras.models.load_model与model.predict() ： 整体：〜100 FPS（细节忘了...） 笔记 它目前仅供个人使用，如果需要任何内容​​，请随时与我联系。 请原谅我没有使用参数解析，所以您不能使用一个命令来运行。 在运行演示时，您需要更改一些路径
基于monodepth2的单目深度估计自建数据集实验训练步骤
2301_77854234的博客
06-03 1663
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。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。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。
monodepth2训练时遇到的问题
abc20150125的博客
03-28 378
monodepth2复现
monodepth2架构（流程图）.vsd
11-10
Monodepth2网络结构/架构（流程图）
飞桨复现mldanet&monodepth + deephints项目代码
10-15
飞桨复现mldanet&monodepth + deephints项目代码
单目深度估计自监督模型Featdepth解读（上）——论文理解和核心源码分析
苹果姐计算机视觉原创知识分享
01-29 4906
Featdepth超全论文理解和核心源码分析
[单目深度估计---学习记录五]MonoDepth2进阶版阅读二
weixin_51179742的博客
06-20 1332
The Temporal Opportunist: Self-Supervised Multi-Frame Monocular Depth （ManyDepth）
Monodepth2单目深度模型的训练————（训练方式一：单目帧序列训练）
qq_41641044的博客
09-22 8219
笔者从事于cv视觉深度的相关研究，在cv的单目视觉深度模型中，monodepth2有一个相对较好的深度效果，但是论文作者就提供了关于KITTI的预训练模型，没有提供如何就自定义的数据集进行训练的详细细节。所以，在阅读了monodepth2源码的基础上，给大家讲讲如何用自己的数据集把monodepth2跑起来。 我使用的是超算的linux操作系统，训练平台为Tesla_V100。由于我采集1920*1080单目帧序列作为数据集，按照模型默认batchsize=12往超算里面送的时候提示显存不够...
复现monodepth2之KITTI数据集准备
IT菜鸟
10-08 2170
一、重要说明 在monodepth2复现过程中，训练数据的格式是： # kitti数据集的真实路径 /media/yoyo/新加卷/Downloads/kitti_data # 训练数据集的路径 /home/yoyo/MyDocuments/PyProjects/monodepth2/kitti_data/2011_09_28/2011_09_28_drive_0016_sync # 训练数据集创建软链接 sudo ln -s /media/yoyo/新加卷/Downloads/kitti_data
双目测距系列（六）monodepth2的三种训练方式
ltshan139的专栏
05-04 4760
前言 monodepth2有三种训练方式，其对应的命令如下： 下面分别对这三种训练模式进行较详细解释 ： 1）单目训练 monocular是单目的意思，而双目的英文则是binocular。现在基于深度学习方法对单目图像重构出三维世界非常流行。我个人觉得这里面的基础理论是SFM（structure From Motion）。直白讲，它是依靠运动视频的图像帧序列来进行三维重建。其优势很明显...
monodepth2-master_sadxfo_depthestimation_single_monodepth2_26470
10-02
depth eatimation based on single rgb image
基于无监督学习模型MVSNet和Monodepth2实现物体三维重建python源码.zip
07-24
基于无监督学习模型MVSNet、Monodepth2和传统Colmap方法实现物体三维重建python源码.zip 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到94.5分，放心下载使用！ 该资源...
卷积神经网络在深度学习中新发展的5篇论文推荐
deephub
07-04 3817
卷积神经网络在深度学习中新发展的5篇论文推荐
在预测中使用LSTM架构的最新5篇论文推荐
deephub
04-24 3610
1、Integrating LSTMs and GNNs for COVID-19 Forecasting Nathan Sesti, Juan Jose Garau-Luis, Edward Crawley, Bruce Cameron 将COVID-19的传播与图神经网络（GNN）的结合，使得最近几项研究发现了可以更好地预测大流行的方式。许多这样的模型还包括长短期记忆（LSTM），这是时间序列预测的常见工具。通过在LSTM的门内实施GNN并利用空间信息来进一步研究这两种方法的集成。并且引入了跳过连接，该
5篇关于3D 卷积的最新论文推荐
deephub
05-19 2762
1、3D Convolutional Neural Networks for Dendrite Segmentation Using Fine-Tuning and Hyperparameter Optimization https://arxiv.org/pdf/2205.01167 Jim James, Nathan Pruyne, Tiberiu Stan, Marcus Schwarting, Jiwon Yeom, Seungbum Hong, Peter Voorhees, Ben Blaisz
monodepth2不同种类数据集训练结果比对
2301_77854234的博客
06-04 331
monodepth2不同种类数据集训练结果比对
深度估计自监督模型monodepth2在自己数据集的实战——单卡/多卡训练、推理、Onnx转换和量化指标评估
苹果姐计算机视觉原创知识分享
01-28 5625
monodepth2实战
基于Monodepth2模型进行单目图像序列视觉深度估计训练实验
2301_77854234的博客
06-03 194
基于Monodepth2模型进行单目图像序列视觉深度估计训练实验
node-v18.18.2-headers.tar.xz
最新发布
05-20
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
monodepth2训练自己的数据集
08-16
要训练monodepth2模型使用自己的数据集，你可以按照以下步骤进行操作： 1. 准备数据集：首先，你需要准备一组包含深度信息的图像作为你的训练集。这些图像可以是双目图像，也可以是包含深度信息的单目图像。 2. 数据预处理：在训练之前，你需要对数据进行预处理。这包括调整图像的大小、对图像进行归一化处理和转换为模型所需的格式。 3. 加载模型：根据monodepth2模型的实战方法，你应该使用stereo training方法。这意味着你需要加载相应的模型并进行初始化。 4. 构建数据加载器：使用torch.utils.data.distributed.DistributedSampler对训练集和验证集进行包装，以实现多卡分配。然后，使用DataLoader将数据集加载到训练过程中。 5. 训练模型：使用加载的模型和构建的数据加载器，开始训练你的monodepth2模型。通过迭代训练和调整模型参数，使其能够准确地估计深度信息。 6. 验证模型：在训练过程中，定期使用验证集评估模型的性能。这可以帮助你了解模型的训练进展和预测精度。 总而言之，你需要准备数据集，进行数据预处理，加载模型，构建数据加载器，训练模型，并在验证集上评估模型的性能。通过这些步骤，你可以使用monodepth2模型训练自己的数据集。引用<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [双目测距系列（七）monodepth2训练前数据集准备过程的简析](https://blog.csdn.net/ltshan139/article/details/105970906)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [深度估计自监督模型monodepth2在自己数据集的实战——单卡/多卡训练、推理、Onnx转换和量化指标评估](https://blog.csdn.net/weixin_43148897/article/details/122729725)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值