robustdepth 的安装和配置教程

项目基础介绍

robustdepth 是一个基于 Python 的开源项目，该项目专注于自我监督的单目深度估计技术。通过利用不同天气条件下的图像数据，该项目旨在提高深度估计的鲁棒性。robustdepth 的主要编程语言是 Python。

项目使用的关键技术和框架

该项目使用的关键技术包括图像处理、深度学习以及自我监督学习。在框架方面，robustdepth 使用了 PyTorch，这是一个流行的深度学习框架，提供了灵活性和高效的计算能力。

准备工作与安装步骤

准备工作

在开始安装 robustdepth 前，请确保您的系统满足以下要求：

• CUDA 11.1
• Python 3.7.4（推荐使用 conda 环境）
• PyTorch 1.8.0

请确保您的系统已安装了 Git，因为我们将从 GitHub 克隆项目。

安装步骤

1. 克隆项目

   打开命令行界面，使用以下命令克隆项目：

   git clone https://github.com/kieran514/robustdepth.git
   

2. 设置虚拟环境

   使用 conda 创建一个虚拟环境并激活它：

   conda env create --file environment.yml
   conda activate robustdepth
   

3. 下载 KITTI 数据集

   根据项目说明，使用以下命令下载 KITTI 数据集：

   wget -i scripts/kitti_archives_to_download.txt -P data/KITTI_RAW/
   

   下载完成后，解压文件：

   cd data/KITTI_RAW
   unzip "*.zip"
   cd ..
   cd ..
   

4. 转换图像格式

   将所有图像转换为 jpg 格式：

   find data/KITTI_RAW/ -name '*.png' | parallel 'convert -quality 92 -sampling-factor 2x2,1x1,1x1 {.}.png {.}.jpg && rm {}'
   

5. 安装依赖项

   根据项目说明，安装所需的所有依赖项，包括但不限于 PyTorch、OpenCV、NumPy 等。

6. 创建数据增强

   根据项目说明，使用提供的脚本来创建不同类型的数据增强，例如雨、雾、夜晚、黎明、黄昏等。

   • 雨增强：

     bash scripts/run_rain_sim.sh
     

   • 夜晚、黎明、黄昏增强：

     bash scripts/comogan.sh
     

   • 雾增强：

     python scripts/fogRenderOffical.py
     

7. 训练模型

   在完成所有数据增强之后，可以使用脚本开始训练模型。

   请参考项目 README 文件中提供的详细说明，以获取更多关于训练过程的信息。

通过以上步骤，您可以成功安装和配置 robustdepth 项目，并开始探索自我监督的单目深度估计技术。