作为初始版本，PaddldMono目前支持以下算法。
请点击上方的超链接查看每个算法的实现细节
你可以通过如下命令下载PaddleMono工具箱
git clone https://github.com/PaddlePaddle/PaddleDepth.git
cd Paddle-Mono
pip install -r requirements.txt
请在Python 3.9中使用PaddleMono.
你可以参照 dataset_prepare 来进行数据集的准备.
- 在
configs文件夹中修改相应模型的配置文件. - 运行
train.py来训练config指定的模型, 例如:CUDA_VISIBLE_DEVICES=0 python train.py --config configs/monodepthv2/mdp.yml，若使用单机多卡，则运行CUDA_VISIBLE_DEVICES=0,1,2,3 python -m paddle.distributed.launch train.py --config configs/monodepthv2/mdp.yml --num_gpus 4
- 我们提供shell脚本来帮助您复现我们的实验结果:
bash configs/monodepth/mdp.sh.
你可以按照如下步骤开发自己的算法:
- 检查你的模型是否需要模型来进行训练，如果有把模型加入到
model中 - 加入你自己的配置文件（.sh 或 .yml）
我们在KITTI数据集上根据通用的Eigen划分方法评测了PaddleMono已经实现的算法。
注意我们并没有通过额外的技巧来优化Monodepth2模型的结果，因此你可以直接使用.sh的脚本文件来复现我们在表格中报告的精度。
| Method | abs_rel | sq_rel | rms | log_rms | a1 | a2 | a3 |
|---|---|---|---|---|---|---|---|
| Monodepth2_640x192 | 0.112 | 0.839 | 4.846 | 0.193 | 0.875 | 0.957 | 0.980 |
| Monodepth2_1024x32 | 0.112 | 0.833 | 4.748 | 0.191 | 0.880 | 0.960 | 0.981 |
| Depth Hints_640x192 | 0.110 | 0.818 | 4.728 | 0.189 | 0.881 | 0.959 | 0.981 |
| Depth Hints_1024x320 | 0.109 | 0.794 | 4.474 | 0.185 | 0.887 | 0.963 | 0.982 |
| MLDANet_640x192 | 0.108 | 0.829 | 4.678 | 0.184 | 0.885 | 0.962 | 0.983 |
| BTS Densenet121_704x352 | 0.050 | 0.201 | 2.547 | 0.082 | 0.970 | 0.995 | 0.999 |
PaddleMono工具箱目前还在积极维护与完善过程中。 我们非常欢迎外部开发者为Paddle Depth提供新功能\模型。 如果您有这方面的意愿的话，请往我们的邮箱或者issue里面反馈
PaddleDepth 是一款由来自不同高校和企业的研发人员共同参与贡献的开源项目。 我们感谢所有为项目提供算法复现和新功能支持的贡献者，以及提供宝贵反馈的用户。 我们希望这个工具箱和基准测试可以为社区提供灵活的代码工具，供用户复现已有算法并开发自己的新模型，从而不断为开源社区提供贡献。
[1] Godard C, Mac Aodha O, Firman M, et al. Digging into self-supervised monocular depth estimation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 3828-3838.
[2] Song X, Li W, Zhou D, et al. MLDA-Net: Multi-level dual attention-based network for self-supervised monocular depth estimation[J]. IEEE Transactions on Image Processing, 2021, 30: 4691-4705.
[3] Watson J, Firman M, Brostow G J, et al. Self-supervised monocular depth hints[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 2162-2171.
[4] LEE J, HAN M, KO D, et al. From big to small: Multi-scale local planar guidance for monocular depth estimation[Z]//arXiv: Computer Vision and Pattern Recognition. 2019.