Savta深度-单目深度估计OSDS项目

Savta Depth是一个合作者O笔年代唯一Data年代单目深度估计科学项目。

在这里，您将找到项目的代码，以及数据、模型、管道和实验。这意味着项目很容易在任何机器上重现，而且您还可以向它贡献数据、模型和代码。

对如何改进这个模型有什么好主意吗?想要添加数据和指标以使其更具可解释性/公平性?我们希望得到你的帮助。

演示

你可以用这个笔记本从项目中加载一个模型，并在您上传的图像上运行它，以获得深度图。一旦它被保存，你可以下载它在支持它的平台上使用(例如Facebook)来创建3d照片。

贡献指南

在这里，我们将列出我们想要在项目中做的事情以及开始贡献的方式。如果你想参加，请按照向导的指示去做。

设置环境以进行贡献

• 首先，在DAGsHub上分叉存储库
• 现在，您有3种方式来设置您的环境:Google Colab、本地或docker。如果你不确定用哪个，我们建议你用Colab。

谷歌Colab

谷歌Colab可以看作是你的网络连接，GPU驱动的IDE。下面是一个链接，指向一个文档齐全的Colab笔记本，它将从这个存储库加载代码和数据，使您能够修改代码并重新运行培训。控件中的代码仍然需要修改src /代码/文件夹中，添加单元格应该只用于测试。

你也可以使用这个笔记本从项目中加载一个模型，并在你上传的图像上运行它，以获得深度图。一旦它被保存，你可以下载它在支持它的平台上使用(例如Facebook)来创建3d照片。

为了编辑代码文件，必须将笔记本保存到驱动器中。你可以通过输入来完成按ctrl + s或cmd + s在mac。

>>SavtaDepth协作环境<<

注意:这种方法的缺点(如果你不熟悉Colab)是Google Colab会限制一个实例的存活时间，所以你训练模型的时间可能会受到限制。

这个笔记本也是这个项目的一部分，如果需要修改，在笔记本电脑文件夹中。除非您的贡献是对环境的改进，否则您不应该提交您的版本。

当地的

• 通过在终端输入以下命令克隆你刚刚分叉的存储库:

  $ git clone //www.kkolawyers.com//SavtaDepth.git

• 创建一个虚拟环境或Conda环境并激活它

  # make env #激活虚拟环境# VENV $ source env/bin/ Activate#或Conda $ source激活savta_depth

• 安装所需的库

  $ make load_requirements

  注意:这里我假设没有GPU的设置。否则，您可能需要修改需求，这超出了本自述文件的范围(请随意对此做出贡献)。

• 将dvd文件拉到您的工作空间，输入:

  $ DVC pull -r origin $ DVC checkout #使用此命令获取数据、模型等

• 修改完成后，请确保完成以下操作:

  • 如果您修改了包，请确保更新了让相应的文件。

  • 将您的代码推送到DAGsHub，并将您的dvc托管文件推送到您的dvc遥控器。有关所需命令的参考，请参阅Google Colab笔记本部分-承诺你的工作并将其推回DAGsHub。

码头工人

• 通过在终端输入以下命令克隆你刚刚分叉的存储库:

  $ git clone //www.kkolawyers.com//SavtaDepth.git

• 要使您的环境启动并运行docker是最好的方法。我们使用of的实例MLWorkspace。

  • 您可以运行以下命令来启动它。

    $ ./run_dev_env.sh $ ./run_dev_env.sh

  • 打开localhost:8080，查看您创建的工作空间。您将被要求输入一个令牌dagshub_savta

  • 在右上方有一个菜单打开工具。点击该按钮并选择terminal(或者打开VSCode并在那里打开terminal)，并输入以下命令来安装虚拟环境和依赖项:

    $ make env $ source激活savta_depth

    现在，当我们有了一个环境后，让我们安装所有必需的库。

    请注意如果你没有GPU，你需要单独安装pytorch，然后运行make requirements。您可以使用以下命令为没有gpu的计算机安装pytorch:

    $ conda安装pytorch

    安装所需库的命令如下:

    $ make load_requirements

• 将dvd文件拉到您的工作空间，输入:

  $ DVC pull -r DVC -remote $ DVC checkout #使用此命令获取数据、模型等

• 修改完成后，请确保完成以下操作:

  • 如果您修改了包，请确保更新了让相应的文件。

  • 将您的代码推送到DAGsHub，并将您的dvc托管文件推送到您的dvc遥控器。有关所需命令的参考，请参阅Google Colab笔记本部分-承诺你的工作并将其推回DAGsHub。

---

将代码和数据推送到DAGsHub之后

• 在DAGsHub上创建一个Pull Request !
  • 解释你在做什么改变。
  • 如果您的更改影响了数据或模型，请确保将它们推送到DAGsHub dvc远程，并包含在PR中。
  • 我们将尽快审核您的贡献，并在需要时合并或开始讨论。

待办事项:

• Web UI
• 测试各种数据集作为训练的基础
• 测试数据的各种模型
• 添加模型性能的定性测试(直观地比较3d图像输出)