Apache MXNet 教程navigate_next 深度预测
快速搜索
代码
显示源文件
安装 教程 API 社区 贡献 GitHub
gluoncv
目录
  • 安装
  • 模型动物园
    • 图像分类
    • 目标检测
    • 分割
    • 姿态估计
    • 行为识别
    • 深度预测
  • Apache MXNet 教程
    • 图像分类
      • 1. CIFAR10 预训练模型入门
      • 2. 深入了解 CIFAR10 模型训练
      • 3. ImageNet 预训练模型入门
      • 4. 使用自己的图像数据集进行迁移学习
      • 5. 在 ImageNet 上训练自己的模型
    • 目标检测
      • 01. 使用预训练的 SSD 模型进行预测
      • 02. 使用预训练的 Faster RCNN 模型进行预测
      • 03. 使用预训练的 YOLO 模型进行预测
      • 04. 在 Pascal VOC 数据集上训练 SSD
      • 05. 深入了解 SSD 训练：提高性能的 3 个技巧
      • 06. 在 PASCAL VOC 上端到端训练 Faster-RCNN
      • 07. 在 PASCAL VOC 上训练 YOLOv3
      • 08. 微调预训练的目标检测模型
      • 09. 在您的网络摄像头上运行目标检测模型
      • 10. 通过重用预训练模型的部分来跳过微调
      • 11. 使用预训练的 CenterNet 模型进行预测
      • 12. 在 NVIDIA Jetson 模块上运行目标检测模型
    • 实例分割
      • 1. 使用预训练的 Mask RCNN 模型进行预测
      • 2. 在 MS COCO 上端到端训练 Mask RCNN
    • 语义分割
      • 1. FCN 预训练模型入门
      • 2. 使用 PSPNet 预训练模型进行测试
      • 3. 使用 DeepLabV3 预训练模型进行测试
      • 4. 在 Pascal VOC 数据集上训练 FCN
      • 5. 在 ADE20K 数据集上训练 PSPNet
      • 6. 在 Pascal VOC 数据集上复现 SoTA
      • 7. 使用 ICNet 预训练模型进行多人解析测试
    • 姿态估计
      • 1. 使用预训练的 Simple 姿态估计算法进行预测
      • 2. 使用预训练的 AlphaPose 估计算法进行预测
      • 3. 从您的网络摄像头估计姿态
      • 4. 深入了解在 COCO 关键点上训练 Simple 姿态模型
    • 行为识别
      • 1. UCF101 预训练 TSN 模型入门
      • 10. Decord 介绍：高效的视频读取器
      • 2. 深入了解在 UCF101 上训练 TSN 模型
      • 3. Kinetics400 预训练 I3D 模型入门
      • 4. 深入了解在 Kinetics400 上训练 I3D 模型
      • 5. Kinetics400 预训练 SlowFast 模型入门
      • 6. 深入了解在 Kinetics400 上训练 SlowFast 模型
      • 7. 在自己的数据集上微调 SOTA 视频模型
      • 8. 从预训练模型中提取视频特征
      • 9. 使用预训练模型对自己的视频进行推理
    • 目标跟踪
      • 01. 使用预训练的 SiamRPN 模型进行单目标跟踪
      • 02. 在 COCO、VID、DET、Youtube_bb 数据集上训练 SiamRPN
      • 03. 使用预训练的 SMOT 模型进行多目标跟踪
    • 深度预测
      • 01. 使用预训练的 Monodepth2 模型从单张图像预测深度
      • 02. 使用预训练的 Monodepth2 模型从图像序列或视频预测深度
      • 03. 在 KITTI 数据集上训练 Monodepth2
      • 04. 使用预训练的 Monodepth2 Pose 模型测试 PoseNet 从图像序列
    • 准备数据集
      • 准备 ADE20K 数据集。
      • 准备 COCO 数据集
      • 准备 COCO 数据集
      • 准备 Cityscapes 数据集。
      • 准备 ILSVRC 2015 DET 数据集
      • 准备 ILSVRC 2015 VId 数据集
      • 准备 Multi-Human Parsing V1 数据集
      • 准备 OTB 2015 数据集
      • 准备 PASCAL VOC 数据集
      • 准备 Youtube_bb 数据集
      • 准备自定义目标检测数据集
      • 准备 20BN-something-something Dataset V2 数据集
      • 准备 HMDB51 数据集
      • 准备 ImageNet 数据集
      • 准备 Kinetics400 数据集
      • 准备 UCF101 数据集
      • 以 ImageRecord 格式准备数据集
    • 自动模块
      • 01. 使用 GluonCV 自动模块加载网络数据集
      • 02. 使用自动估算器训练图像分类模型
      • 03. 使用 GluonCV 自动任务进行 HPO 训练分类器或检测器
    • 分布式训练
      • 1. 深度视频模型的分布式训练
    • 部署
      • 1. 将训练好的 GluonCV 网络导出为 JSON
      • 2. GluonCV C++ 推理示例
      • 3. 使用量化模型进行推理
  • PyTorch 教程
    • 行为识别
      • 1. Kinetics400 预训练 I3D 模型入门
      • 2. 在自己的数据集上微调 SOTA 视频模型
      • 3. 从预训练模型中提取视频特征
      • 4. 计算模型的 FLOPS、延迟和 fps
      • 5. 分布式数据并行 (DDP) 框架
  • API 参考
    • gluoncv.data
    • gluoncv.data.batchify
    • gluoncv.data.transforms
    • gluoncv.model_zoo
    • gluoncv.nn
    • gluoncv.loss
    • gluoncv.utils
  • 社区
    • 社区
    • 贡献 GluonCV
  • 幻灯片
gluoncv
目录
  • 安装
  • 模型动物园
    • 图像分类
    • 目标检测
    • 分割
    • 姿态估计
    • 行为识别
    • 深度预测
  • Apache MXNet 教程
    • 图像分类
      • 1. CIFAR10 预训练模型入门
      • 2. 深入了解 CIFAR10 模型训练
      • 3. ImageNet 预训练模型入门
      • 4. 使用自己的图像数据集进行迁移学习
      • 5. 在 ImageNet 上训练自己的模型
    • 目标检测
      • 01. 使用预训练的 SSD 模型进行预测
      • 02. 使用预训练的 Faster RCNN 模型进行预测
      • 03. 使用预训练的 YOLO 模型进行预测
      • 04. 在 Pascal VOC 数据集上训练 SSD
      • 05. 深入了解 SSD 训练：提高性能的 3 个技巧
      • 06. 在 PASCAL VOC 上端到端训练 Faster-RCNN
      • 07. 在 PASCAL VOC 上训练 YOLOv3
      • 08. 微调预训练的目标检测模型
      • 09. 在您的网络摄像头上运行目标检测模型
      • 10. 通过重用预训练模型的部分来跳过微调
      • 11. 使用预训练的 CenterNet 模型进行预测
      • 12. 在 NVIDIA Jetson 模块上运行目标检测模型
    • 实例分割
      • 1. 使用预训练的 Mask RCNN 模型进行预测
      • 2. 在 MS COCO 上端到端训练 Mask RCNN
    • 语义分割
      • 1. FCN 预训练模型入门
      • 2. 使用 PSPNet 预训练模型进行测试
      • 3. 使用 DeepLabV3 预训练模型进行测试
      • 4. 在 Pascal VOC 数据集上训练 FCN
      • 5. 在 ADE20K 数据集上训练 PSPNet
      • 6. 在 Pascal VOC 数据集上复现 SoTA
      • 7. 使用 ICNet 预训练模型进行多人解析测试
    • 姿态估计
      • 1. 使用预训练的 Simple 姿态估计算法进行预测
      • 2. 使用预训练的 AlphaPose 估计算法进行预测
      • 3. 从您的网络摄像头估计姿态
      • 4. 深入了解在 COCO 关键点上训练 Simple 姿态模型
    • 行为识别
      • 1. UCF101 预训练 TSN 模型入门
      • 10. Decord 介绍：高效的视频读取器
      • 2. 深入了解在 UCF101 上训练 TSN 模型
      • 3. Kinetics400 预训练 I3D 模型入门
      • 4. 深入了解在 Kinetics400 上训练 I3D 模型
      • 5. Kinetics400 预训练 SlowFast 模型入门
      • 6. 深入了解在 Kinetics400 上训练 SlowFast 模型
      • 7. 在自己的数据集上微调 SOTA 视频模型
      • 8. 从预训练模型中提取视频特征
      • 9. 使用预训练模型对自己的视频进行推理
    • 目标跟踪
      • 01. 使用预训练的 SiamRPN 模型进行单目标跟踪
      • 02. 在 COCO、VID、DET、Youtube_bb 数据集上训练 SiamRPN
      • 03. 使用预训练的 SMOT 模型进行多目标跟踪
    • 深度预测
      • 01. 使用预训练的 Monodepth2 模型从单张图像预测深度
      • 02. 使用预训练的 Monodepth2 模型从图像序列或视频预测深度
      • 03. 在 KITTI 数据集上训练 Monodepth2
      • 04. 使用预训练的 Monodepth2 Pose 模型测试 PoseNet 从图像序列
    • 准备数据集
      • 准备 ADE20K 数据集。
      • 准备 COCO 数据集
      • 准备 COCO 数据集
      • 准备 Cityscapes 数据集。
      • 准备 ILSVRC 2015 DET 数据集
      • 准备 ILSVRC 2015 VId 数据集
      • 准备 Multi-Human Parsing V1 数据集
      • 准备 OTB 2015 数据集
      • 准备 PASCAL VOC 数据集
      • 准备 Youtube_bb 数据集
      • 准备自定义目标检测数据集
      • 准备 20BN-something-something Dataset V2 数据集
      • 准备 HMDB51 数据集
      • 准备 ImageNet 数据集
      • 准备 Kinetics400 数据集
      • 准备 UCF101 数据集
      • 以 ImageRecord 格式准备数据集
    • 自动模块
      • 01. 使用 GluonCV 自动模块加载网络数据集
      • 02. 使用自动估算器训练图像分类模型
      • 03. 使用 GluonCV 自动任务进行 HPO 训练分类器或检测器
    • 分布式训练
      • 1. 深度视频模型的分布式训练
    • 部署
      • 1. 将训练好的 GluonCV 网络导出为 JSON
      • 2. GluonCV C++ 推理示例
      • 3. 使用量化模型进行推理
  • PyTorch 教程
    • 行为识别
      • 1. Kinetics400 预训练 I3D 模型入门
      • 2. 在自己的数据集上微调 SOTA 视频模型
      • 3. 从预训练模型中提取视频特征
      • 4. 计算模型的 FLOPS、延迟和 fps
      • 5. 分布式数据并行 (DDP) 框架
  • API 参考
    • gluoncv.data
    • gluoncv.data.batchify
    • gluoncv.data.transforms
    • gluoncv.model_zoo
    • gluoncv.nn
    • gluoncv.loss
    • gluoncv.utils
  • 社区
    • 社区
    • 贡献 GluonCV
  • 幻灯片

深度预测¶

01. Predict depth from a single image with pre-trained Monodepth2 models

01. 使用预训练的 Monodepth2 模型从单张图像预测深度¶

02. Predict depth from an image sequence or a video with pre-trained Monodepth2 models

02. 使用预训练的 Monodepth2 模型从图像序列或视频预测深度¶

03. Monodepth2 training on KITTI dataset

03. 在 KITTI 数据集上训练 Monodepth2¶

04. Testing PoseNet from image sequences with pre-trained Monodepth2 Pose models

04. 使用预训练的 Monodepth2 Pose 模型测试 PoseNet 从图像序列¶

下载所有 Python 源代码示例： examples_depth_python.zip

下载所有 Jupyter notebook 示例： examples_depth_jupyter.zip

由 Sphinx-Gallery 生成的画廊

上一页
03. 使用预训练的 SMOT 模型进行多目标跟踪
下一页
01. 使用预训练的 Monodepth2 模型从单张图像预测深度