Monodepth2和Lite-Mono准备数据集

Lite-Mono: A Lightweight CNN and Transformer Architecture forSelf-Supervised MDE 不需要GT进行训练的自监督单眼深度估计近年来引起了人们的关注。设计轻量级但有效的模型,以便它们可以部署在边缘设备上是非常有趣的。许多现有的架构都受益于使用较重的骨干,而牺牲了模型的大小。本文通过一个轻量级的体系结构实现了类似的结果。具体地说,研究了cnn和Transformer的有效组合,并提出了一种称为Lite-Mono的混合结构。提出了一种连续扩展卷积tions(CDC)模块和一个局部-全局特征交互tion(LGFI)模块。 阅读详情
  • 以KITTI为例
  • 下载解压后放在/home/lwd/tmp/2011_09_26

cd /home/lwd/tmp/2011_09_26
ls输出
2011_09_26_drive_0001_sync
2011_09_26_drive_0002_sync
2011_09_26_drive_0005_sync

python txt.py

  • txt.py
import os, sys

al=os.listdir('.')
al.sort()
f=open('train.txt', 'w')
for a in al:
	if not 'sync' in a: continue
	print(a)
	b=a+'/image_02/data'
	png=os.listdir(b)
	png.sort()
	for i in range(1, len(png)-1):
		f.write(a+' '+str(i)+' l\n')
f.close()

cat train.txt #最后的l(小写L)表示图片在image_02
2011_09_26_drive_0001_sync 1 l
2011_09_26_drive_0001_sync 2 l
2011_09_26_drive_0001_sync 3 l

  • 分析:数据加载代码会调用get_color读取图像,get_color调用get_image_path获取图像路径。以train.txt的第一行为例,图像路径是/home/lwd/tmp/2011_09_26/2011_09_26_drive_0001_sync/image_02/data/0000000001.png
  • 准备自己的数据集时,可以按照上述路径构建或修改读取数据代码
深入探究自监督单目深度估计:Monodepth2 Monodepth2是一种基于深度学习的自监督单目深度估计方法,它使用了一个卷积神经网络来预测图像的深度图,并通过无监督的自我监督损失函数进行训练。Monodepth2是一种基于深度学习的自监督单目深度估计方法,它使用了一个卷积神经网络来预测图像的深度图,并通过无监督的自我监督损失函数进行训练。通过对数据集的准备、网络架构的定义、自监督损失函数的使用以及训练和测试过程的。总之,Monodepth2是一种强大的自监督单目深度估计方法,能够从单张图像中预测出场景的深度信息。 阅读详情

相关推荐

深入探索自监督单目深度估计:Monodepth2实现

本文介绍了Monodepth2,一种基于自监督学习的单目深度估计方法。自监督学习通过使用图像中的其他信息(例如光流或图像重建误差)来生成深度估计的训练目标,避免了需要深度传感器的依赖。在KITTI数据集上进行实验,可以通过计算深度估计的平均绝对相对误差(absolute relative error)和平均重投影误差(average reprojection error)来评估Monodepth2的性能。本文将介绍Monodepth2,一种基于自监督学习的单目深度估计方法,并提供相应的源代码实现。

PixelNinja的博客 1321

KITTI数据集(概念版)

一、参考资料 KITTI 官网 kitti数据集各个榜单介绍 自动驾驶KITTI数据集详解 二、Benchmark基准介绍 Our tasks of interest are: stereo, optical flow, visual odometry, 3D object detection and 3D tracking. 1. Stereo Stereo Evaluation(立体评估) 基于图像的立体视觉和3维重建,从一个图像中恢复结构本质上是模糊的,一般是从不同角度的多张图片来恢复3维结构。 1.

IT菜鸟 6159

Lite-Mono复现指南[代码]

本文详细介绍了Lite-Mono-CVPR-2023代码复现的全过程,包括数据集准备、环境配置、代码修改、训练步骤及评估方法。在数据集准备阶段,建议参考monodepth2的数据集处理方式。环境配置部分重点说明了虚拟环境的创建、依赖包的安装及版本兼容性问题,特别指出GPU型号、Python版本、torch版本等关键配置。代码修改环节提供了具体操作指南,如替换splits文件夹、处理预训练权重等。训练阶段详细说明了参数调整和命令行执行方式,并提示可能遇到的报错及解决方法。评估部分则重点介绍了gt_depths.npz文件的生成方法及评估脚本的执行。全文通过具体代码示例和问题解决方案,为读者提供了完整的复现路线图。

复现monodepth2之KITTI数据集准备

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

IT菜鸟 3677

模电实验室:手把手教你调试共射放大电路静态工作点(避免波形失真)

本文详细介绍了共射放大电路静态工作点的调试方法,帮助避免波形失真问题。从实验准备、电路搭建到静态工作点测量,提供了实用的电阻选值策略和常见波形失真解决方案,适合电子相关专业学生和硬件工程师参考学习。

weixin_42531128的博客 375

Carsim2019与Simulink (Matlab2018b)联合仿真成功(超详细)

Carsim与Simulink联合仿真成功

强强的博客 3万+

双目测距系列(七)monodepth2训练前数据集准备过程的简析

前言 上一篇文章说过,monodepth2模型有三种训练方式。针对我们的双目场景,准备使用stereo training方法。 monodepth2的训练入口函数在train.py中,如下图所示。 总共就2行代码,第一行代码(类Trainer的构造函数)主要是来初始化和数据集准备;第二行代码(Trainer类的成员函数)是真正执行训练过程。 下文将结合代码讲解数据集准备过程。 数据加...

ltshan139的专栏 6288

Zabbix7.4监控系统在Rocky Linux10.0上的完整部署流程(含MariaDB配置)

本文详细介绍了在Rocky Linux 10.0操作系统上部署企业级监控系统Zabbix 7.4的完整流程,并重点阐述了与MariaDB数据库的深度集成与性能优化配置。内容涵盖从系统环境准备、数据库安装与安全加固、Zabbix核心组件部署,到服务配置、Web界面初始化以及生产环境高级调优的全方位实战指南,旨在帮助用户构建稳定高效的监控平台。

weixin_29200741的博客 328

Lite-Mono-CVPR-2023 代码复现心得

复现Liti-Mono时候的一些踩坑过程

weixin_45992523的博客 3067

【胡学长 带你学 Global Mapper 】如何将影像地图转换为国家2000坐标系

多部门联合开展工作坐标数据不匹配怎么办?Hi,我是胡学长!今天教大家如何利用Global Mapper将谷歌影像数据转换为国家2000坐标系影像数据 。

一起来交流学习吧 1万+

SpringBoot 通过 JMS 集成 IBM MQ

IBM MQ 作为老牌的企业级消息中间件,虽然在当下云原生时代已不再是主流选择,但在金融、银行、保险等传统行业的核心业务系统中仍然占据着重要地位。这些行业对系统的稳定性、可靠性和事务一致性有着极高的要求,IBM MQ 正是在这些方面表现出色。尽管近年来 RabbitMQ、Apache Kafka 等新一代消息中间件在新兴项目中更受欢迎,但许多金融公司和大型企业仍在使用 IBM MQ 作为核心业务系统的消息传递基础设施。

小单的博客专栏 948

Swagger UI 在线验证与 Schema 校验指南:3 步跑通 API 文档报错排查

先说结论:用 Swagger UI 的在线验证和 Schema 校验,你可以解决三类问题——文档和真实接口"各说各话"、请求参数填了却被拒、新人看不懂某个字段到底该怎么填。Schema 就是接口参数的规则说明书,类型、范围、格式都写在里面。这篇文章不讲源码原理,只讲怎么用:什么时候该开验证、三步把校验跑起来、报错怎么读、哪三个坑最容易踩、配置项速查,以及交付前的自检清单。 ## 什么时候需要给

gitblog_01057的博客 943

PCB工艺-SI9000使用教程

本文介绍了阻抗计算工具SI9000的使用方法,重点讲解了微带线与带状线的区别、共面阻抗概念及参考面选择。通过USB差分走线实例,详细说明了如何选择计算模型、填写参数并确定线宽线距。文章还提供了层叠设计资料和工厂常规阻抗表格作为参考,建议制板时标注需控阻抗的线路供板厂调整。最后简单提及了嘉立创阻抗计算工具作为备选方案。

weixin_50120208的博客 2024

Lite-Mono 项目安装和配置指南

Lite-Mono 项目安装和配置指南 1. 项目基础介绍和主要的编程语言 Lite-Mono 是一个轻量级的卷积神经网络(CNN)和Transformer架构,用于自监督的单目深度估计。该项目在CVPR 2023上发表,旨在通过结合CNN和Transformer的优势,提供高效的深度估计解决方案。Lite-Mono 主要使用Python编程语言进行开发。 2. 项目使用的关键技术和框架 Lite...

gitblog_09196的博客 965

训练YOLOv11 | Pytorch和Pycharm的安装教程适用W11系统(附详细的系统变量添加过程)

根据你之前下载的版本选择对应的选项即可,然后复制底下的绿色代码到Anaconda的命令行输入即可(这里要在你安装的python环境里进行安装,例如我的环境名字是PyTorch,那么就是activate PyTorch里进行安装)然后同之前一样会加载一会,然后会询问我们是否下载配件,我们输入Y等待即可(下载过程中我们要确保网络通常如果有波动可能会下载失败)。类似于我的电脑是Windows11选择上面红框内的选项即可点击后即下载,(注意这里下载的是zip文件)下载完成后复制下面几个文件。

Snu77的博客 1万+

【实战】基于 Inner-IoU 的 YOLOv8 优化指南:显著提升检测精度

Inner-IoU 凭借辅助边框的创新设计,成功解决了传统 IoU 损失在小目标、遮挡场景下的收敛难题,为 YOLOv8 注入了更强的定位能力。从原理剖析到代码集成,本教程已为你铺就了一条“精度提升”的实战路径。现在,不妨亲自上手尝试,让你的目标检测模型在各类数据集上都能交出一份“精度优异”的答卷——相信我,当你看到检测框精准贴合目标的那一刻,你会明白这份尝试的价值。

m0_64661770的博客 107

【亲测免费】 Lite-Mono 开源项目教程

Lite-Mono 开源项目教程 项目介绍 Lite-Mono 是一个轻量级的卷积神经网络(CNN)和Transformer架构,用于自监督单目深度估计。该项目在CVPR 2023上发表,旨在提供一个高效且准确的深度估计解决方案。Lite-Mono 通过结合CNN和Transformer的优势,实现了在保持模型轻量化的同时,提高了深度估计的准确性和鲁棒性。 项目快速启动 环境配置 首先,确保你已经...

gitblog_01099的博客 1179

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Lite-Mono 完全指南:从论文解读到代码实现,3.1M参数模型实现高效深度估计

Lite-Mono 是 CVPR2023 提出的轻量级自监督单目深度估计算法,通过创新的 CNN 与 Transformer 混合架构,仅用 3.1M 参数即可实现高精度深度估计,为移动设备和实时应用提供了高效解决方案。 ## 算法核心优势:轻量与性能的完美平衡 🚀 ### 突破性架构设计 Lite-Mono 采用**跨阶段特征融合**与**轻量级全局特征交互模块**(LGFl),在大幅降

gitblog_00338的博客 314

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

轻量级深度估计模型部署指南:Lite-Mono 在嵌入式设备上的优化实践

Lite-Mono 是一款轻量级CNN与Transformer融合架构的自监督单目深度估计算法,专为资源受限的嵌入式设备设计。本文将详细介绍如何在嵌入式平台上部署和优化 Lite-Mono 模型,帮助开发者快速实现高性能的深度估计应用。 ## 为什么选择 Lite-Mono 进行嵌入式部署? Lite-Mono 作为 CVPR2023 收录的创新算法,在保持高精度的同时实现了极致轻量化。其核心

gitblog_00573的博客 485

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Depth-Anything-V2:单目深度估计基础模型的全面技术解析与实践指南

深度估计技术作为计算机视觉领域的核心任务,在自动驾驶、机器人导航、增强现实等应用中扮演着关键角色。然而,传统深度估计方法在边缘设备部署时面临着计算资源受限、实时性要求高、精度保持困难等挑战。Depth-Anything-V2作为NeurIPS 2024的最新研究成果,通过创新的架构设计和训练策略,为单目深度估计提供了更强大的基础模型解决方案。 ## 技术背景与挑战 单目深度估计旨在从单张RGB

gitblog_01144的博客 257

【Windows版】Monodepth2复现过程

一、参考资料 源码 二、相关环境 1. 运行环境 系统:Windows10 CPU:i5 4200H GPU:GeForce GTX 850M,2GB 内存:12GB python:3.6.6 pytorch:0.4.1 torchvision:pytorch对应的版本 anconda虚拟环境名称:monodepth2-gpu 2. monodepth2-gpu.yaml name: monodepth2-gpu channels: - http://mirrors.tuna.tsinghua.edu

IT菜鸟 3710

monodepth2不同种类数据集训练结果比对

monodepth2不同种类数据集训练结果比对

2301_77854234的博客 599

(2023 CVPR)Lite-Mono

lt之间的L1损失之和计算其中,α根据经验设为0.85[15]。此外,为了处理源图像中的。

weixin_43985824的博客 3162

基于monodepth2的单目深度估计自建数据集实验训练步骤

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。

2301_77854234的博客 3227

复现monodepth2或Lite-Mono时碰到找不到splits\\eigen\\gt_depths.npz

下载monodepth2的代码,配置环境后运行。

qq_49125044的博客 893

如何使用RedwoodJS Storybook组件库:从零开始的组件开发与文档完整指南

RedwoodJS是一个全栈JavaScript框架,它集成了Storybook工具,让开发者可以在完全隔离后端的环境中构建和验证React组件。本指南将详细介绍如何利用RedwoodJS内置的Storybook功能进行组件开发、测试和文档化,帮助你打造高质量的UI组件库。 ## RedwoodJS中Storybook的核心优势 RedwoodJS将Storybook无缝集成到开发流程中,提供

gitblog_01141的博客 857
上一篇: TopFormer中Attention的理解
下一篇: python设置字体输出颜色等效果
刀么克瑟拉莫
博客等级 码龄14年 68粉丝 268原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

刀么克瑟拉莫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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