Deep-MVLM 项目使用教程

Deep-MVLM 项目使用教程

1. 项目目录结构及介绍

Deep-MVLM 项目的目录结构如下：

Deep-MVLM/
├── assets/
├── base/
├── configs/
├── data_loader/
├── deepmvlm/
├── docs/
├── logger/
├── model/
├── prediction/
├── trainer/
├── utils/
├── utils3d/
├── .gitignore
├── LICENSE
├── README.md
├── parse_config.py
├── predict.py
├── preparedata.py
├── test.py
└── train.py

目录介绍

• assets/: 存放测试数据和预训练模型。
• base/: 包含项目的基础模块和类。
• configs/: 存放项目的配置文件。
• data_loader/: 数据加载相关的模块。
• deepmvlm/: 核心算法模块。
• docs/: 项目文档。
• logger/: 日志记录模块。
• model/: 模型定义和实现。
• prediction/: 预测相关的模块。
• trainer/: 训练相关的模块。
• utils/: 通用工具函数。
• utils3d/: 3D 相关的工具函数。
• .gitignore: Git 忽略文件配置。
• LICENSE: 项目许可证。
• README.md: 项目介绍和使用说明。
• parse_config.py: 配置文件解析脚本。
• predict.py: 预测脚本。
• preparedata.py: 数据准备脚本。
• test.py: 测试脚本。
• train.py: 训练脚本。

2. 项目启动文件介绍

predict.py

predict.py 是用于在 3D 面部扫描上放置 3D 地标的启动文件。它可以根据预训练模型在输入的 3D 模型上进行地标预测。

使用方法

python predict.py --c configs/DTU3D-RGB.json --n assets/testmeshA.obj

• --c: 指定配置文件路径。
• --n: 指定输入的 3D 模型文件路径。

train.py

train.py 是用于训练模型的启动文件。它可以根据指定的配置文件和数据集进行模型训练。

使用方法

python train.py --c configs/DTU3D-RGB.json

• --c: 指定配置文件路径。

3. 项目的配置文件介绍

配置文件位于 configs/ 目录下，通常以 .json 格式存储。配置文件定义了模型的各种参数，包括数据路径、模型结构、训练参数等。

配置文件示例

{
  "data_loader": {
    "type": "BaseDataLoader",
    "args": {
      "data_dir": "data/",
      "batch_size": 32,
      "shuffle": true,
      "validation_split": 0.1,
      "num_workers": 4
    }
  },
  "model": {
    "type": "BaseModel",
    "args": {}
  },
  "trainer": {
    "epochs": 100,
    "save_dir": "saved/",
    "save_period": 1,
    "verbosity": 2,
    "monitor": "min val_loss",
    "early_stop": 10,
    "tensorboard": true
  }
}

配置文件参数说明

• data_loader: 数据加载器配置。
  • type: 数据加载器类型。
  • args: 数据加载器参数。
• model: 模型配置。
  • type: 模型类型。
  • args: 模型参数。
• trainer: 训练器配置。
  • epochs: 训练轮数。
  • save_dir: 模型保存路径。
  • save_period: 模型保存周期。
  • verbosity: 日志详细程度。
  • monitor: 监控指标。
  • early_stop: 早停轮数。
  • tensorboard: 是否启用 TensorBoard。

通过配置文件，用户可以灵活地调整模型的训练和预测行为。