【新手小白跑起来第一个深度学习网络】

面对陌生的脚本，不知道先干嘛再干嘛

傻瓜式跟着流程先走起来

1.环境设置

• 按照README安装conda
  conda env creat -f environment.yml
  conda activate 虚拟环境名
• 创建并激活环境

2.数据准备

• 下载数据集和预训练模型
• 将数据集放在正确的目录
• 将预训练模型放在指定位置

3.熟悉数据

了解数据形式和基本情况。

4.使用预训练模型进行推理

python run.py -p test -c config/rf_completion.json \
    --resume ./pretrained/w_fp/260 \
    --n_timestep 500 \
    --data_root ./dataset/PRD/benchmark/w_fp/s95_i30/img.flist \
    --fp_root ./dataset/PRD/benchmark/w_fp/s95_i30/fp.flist

5.检查结果

• 检查输出目录中的结果
• 比较输入、输出和真值

6.尝试不同设置

• 修改 --n_timestep 值，观察对结果的影响

• 尝试使用不带footprint的版本，比较结果

7.运行评估

使用提供的评估脚本来量化模型性能

python data/util/rf_metric.py \
    --gt_dir ./dataset/PRD/benchmark/W-fp/s95_i30/rf_gt \
    --fp_dir ./dataset/PRD/benchmark/w_fp/s95_i30/rf_fp \
    --pred_dir [你的预测结果目录] \
    --img_name_prefix BID

8.分析结果

• 比较不同设置下的评估指标
• 尝试理解不同参数如何影响结果

9.自定义实验

• 修改make_test_image.py 中的参数
• 运行 python gen_benchmark.py 生成自定义测试数据
• 在这些新数据上重复步骤4-7

10.尝试微调

python run.py -p train -c config/rf_completion.json

11.记录和总结

• 记录每次实验的设置和结果
• 尝试理解不同参数和数据变化如何影响输出

作为初学者，不要期望理解所有内容。重点是逐步熟悉流程，理解基本概念并通过实践学习。从简单的实验开始，随着理解的加深再逐步进行更复杂的操作。