AdelaiDepth数据集详解：DiverseDepth、Taskonomy、HRWSI和Holopix50k使用指南
项目地址: https://gitcode.com/gh_mirrors/ad/AdelaiDepth AdelaiDepth是一个专注于单目深度估计和单图像3D场景重建的开源项目，提供了DiverseDepth、Taskonomy、HRWSI和Holopix50k等多个高质量数据集，帮助开发者训练和评估深度估计模型。本文将详细介绍这些数据集的特点、结构及使用方法，为新手用户提供完整的入门指南。
数据集概述：四大核心数据集助力深度估计研究 📊
AdelaiDepth项目包含四个主要数据集，覆盖了不同场景、分辨率和应用需求，为单目深度估计任务提供了全面的训练和测试资源。这些数据集均通过LeReS/download_data.sh脚本统一管理，方便用户一键获取。
AdelaiDepth数据集包含丰富的场景和深度标注，支持多种深度估计算法的训练与评估
DiverseDepth：多样化场景的深度估计基准
DiverseDepth是AdelaiDepth项目的核心数据集之一，以其场景多样性和高质量标注著称。该数据集包含室内外多种环境的RGB图像和对应的深度图，适合训练鲁棒性强的深度估计模型。
数据集结构与内容
DiverseDepth数据集下载后会自动解压到LeReS/Train/datasets/DiverseDepth目录，包含三个子文件夹：
annotations/：存储图像与深度图的对应关系标注文件depths/：深度图数据，以PNG格式存储rgbs/：RGB彩色图像，分辨率多样
项目中提供的 demo 数据展示了该数据集的典型样本，如LeReS/Train/datasets/demo/rgb/000000.jpg（RGB图像）和LeReS/Train/datasets/demo/depth/000000.png（对应深度图）。
DiverseDepth数据集包含丰富的室内场景图像，图为示例RGB图像
与上图对应的深度图，通过灰度值表示物体距离
Taskonomy：多任务学习的视觉数据集
Taskonomy数据集源自同名研究项目，包含多种视觉任务标注，其中深度估计是其核心任务之一。AdelaiDepth项目中集成了Taskonomy的深度数据，为模型训练提供了额外的场景多样性。
数据集特点与应用
Taskonomy数据集在LeReS/Train/datasets/taskonomy目录下，除深度数据外，还包含实例分割和平面检测等辅助标注，支持多任务学习。其主要特点包括：
- 高分辨率图像（最高可达1024×768）
- 精确的深度标注和表面法线信息
- 多样化的室内外场景
该数据集特别适合需要多任务监督的深度估计模型，如项目中LeReS/Train/lib/models/multi_depth_model_auxiv2.py实现的多任务深度模型。
HRWSI：高分辨率广角场景数据集
HRWSI（High-Resolution Wide-Scene Images）数据集专注于高分辨率广角场景的深度估计，为处理大视场图像的深度估计任务提供了专门资源。
数据特点与使用场景
HRWSI数据集存储在LeReS/Train/datasets/HRWSI目录，其主要优势在于：
- 高分辨率图像（普遍超过2000×1000像素）
- 包含大量广角场景，如城市景观、自然环境
- 精确的深度标注，适合远距离深度估计研究
项目中的测试图像如LeReS/Minist_Test/test_images/5.jpg（2000×1333分辨率）展示了HRWSI数据集的典型场景特点。
HRWSI数据集包含的高分辨率广角场景图像，适合远距离深度估计研究
Holopix50k：移动端全景图像深度数据集
Holopix50k数据集专注于移动端拍摄的全景图像深度估计，包含50,000对全景图像和对应的深度图，适合移动端深度估计模型的训练与优化。
数据集特色与应用价值
Holopix50k数据集位于LeReS/Train/datasets/Holopix50k目录，其主要特点包括：
- 基于移动端拍摄的全景图像
- 包含丰富的日常场景
- 适合训练轻量级深度估计模型
该数据集特别适合开发移动端应用的深度估计模型，如项目中LeReS/Minist_Test/lib/multi_depth_model_woauxi.py实现的轻量级模型。
数据集下载与配置：快速上手指南 🚀
AdelaiDepth项目提供了便捷的数据集下载脚本，用户只需几步操作即可完成所有数据集的获取和配置。
一键下载所有数据集
通过项目提供的download_data.sh脚本，可以自动下载并配置所有四个数据集：
# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/ad/AdelaiDepth
# 进入LeReS目录
cd AdelaiDepth/LeReS
# 运行下载脚本
bash download_data.sh
脚本会自动创建Train/datasets目录，并将四个数据集分别下载到对应子目录：DiverseDepth、taskonomy、HRWSI和Holopix50k。
数据集目录结构
下载完成后，Train/datasets目录结构如下：
Train/datasets/
├── DiverseDepth/ # DiverseDepth数据集
│ ├── annotations/ # 标注文件
│ ├── depths/ # 深度图
│ └── rgbs/ # RGB图像
├── taskonomy/ # Taskonomy数据集
│ ├── annotations/ # 标注文件
│ ├── depths/ # 深度图
│ ├── rgbs/ # RGB图像
│ └── ins_planes/ # 实例平面数据
├── HRWSI/ # HRWSI数据集
└── Holopix50k/ # Holopix50k数据集
验证数据集完整性
下载完成后，可以通过检查每个数据集目录下的文件数量来验证完整性：
- DiverseDepth：包含约15,000对RGB图像和深度图
- Taskonomy：包含约25,000对图像数据
- HRWSI：包含约5,000张高分辨率图像
- Holopix50k：包含50,000对全景图像和深度图
数据集使用示例：训练与测试实践 🔍
AdelaiDepth项目提供了多个脚本和工具，方便用户使用这些数据集进行模型训练和测试。
使用demo数据集快速入门
项目中提供了小型demo数据集，位于LeReS/Train/datasets/demo目录，包含5对RGB图像和深度图，适合快速测试代码功能：
# 运行训练demo
cd AdelaiDepth/LeReS/Train
bash scripts/train_demo.sh
训练脚本会自动加载demo数据集中的样本，如LeReS/Train/datasets/demo/rgb/000001.jpg和对应的深度图，进行模型训练。
完整数据集训练
要使用完整数据集进行训练，可以修改配置文件或直接运行训练脚本：
# 使用完整数据集训练
bash scripts/train.sh
训练代码会自动加载Train/datasets目录下的所有数据集，通过LeReS/Train/lib/models/multi_depth_model_auxiv2.py中定义的模型进行训练。
深度估计结果可视化
训练完成后，可以使用测试脚本生成深度估计结果并可视化：
# 运行测试脚本
cd AdelaiDepth/LeReS/Minist_Test/tools
python test_depth.py
测试结果会生成深度图，类似examples/depth.png所示，清晰展示场景中各物体的深度关系。
AdelaiDepth模型使用DiverseDepth数据集训练后生成的深度估计结果
总结：选择适合你的数据集 🎯
AdelaiDepth提供的四个数据集各有特色，用户可以根据具体需求选择合适的数据集：
- DiverseDepth：场景多样性最好，适合通用深度估计模型训练
- Taskonomy：多任务标注丰富，适合多任务学习研究
- HRWSI：高分辨率广角场景，适合远距离深度估计
- Holopix50k：移动端全景图像，适合移动端应用开发
通过LeReS/download_data.sh脚本，用户可以轻松获取所有数据集，并利用项目提供的训练和测试工具快速开展深度估计研究。无论是学术研究还是应用开发，AdelaiDepth数据集都能为你提供强有力的支持。
希望本文能帮助你更好地理解和使用AdelaiDepth数据集，祝你的深度估计项目取得成功！ 🚀
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
