# Part of the implementation is borrowed and modified from PackNet-SfM, # made publicly available under the MIT License at https://github.com/TRI-ML/packnet-sfm """Default dro_sfm configuration parameters (overridable in configs/*.yaml) """ import os from yacs.config import CfgNode as CN ######################################################################################################################## cfg = CN() cfg.name = '' # Run name cfg.debug = False # Debugging flag ######################################################################################################################## # ARCH ######################################################################################################################## cfg.arch = CN() cfg.arch.seed = 42 # Random seed for Pytorch/Numpy initialization cfg.arch.min_epochs = 1 # Minimum number of epochs cfg.arch.max_epochs = 50 # Maximum number of epochs ######################################################################################################################## # CHECKPOINT ######################################################################################################################## cfg.checkpoint = CN() cfg.checkpoint.filepath = './results/mdoel' # Checkpoint filepath to save data cfg.checkpoint.save_top_k = 5 # Number of best models to save cfg.checkpoint.monitor = 'abs_rel_pp_gt' # Metric to monitor for logging cfg.checkpoint.monitor_index = 0 # Dataset index for the metric to monitor cfg.checkpoint.mode = 'auto' # Automatically determine direction of improvement (increase or decrease) cfg.checkpoint.s3_path = '' # s3 path for AWS model syncing cfg.checkpoint.s3_frequency = 1 # How often to s3 sync ######################################################################################################################## # SAVE ######################################################################################################################## cfg.save = CN() cfg.save.folder = './results' # Folder where data will be saved cfg.save.depth = CN() cfg.save.depth.rgb = True # Flag for saving rgb images cfg.save.depth.viz = True # Flag for saving inverse depth map visualization cfg.save.depth.npz = True # Flag for saving numpy depth maps cfg.save.depth.png = True # Flag for saving png depth maps ######################################################################################################################## # WANDB ######################################################################################################################## cfg.wandb = CN() cfg.wandb.dry_run = True # Wandb dry-run (not logging) cfg.wandb.name = '' # Wandb run name cfg.wandb.project = os.environ.get('WANDB_PROJECT', '') # Wandb project cfg.wandb.entity = os.environ.get('WANDB_ENTITY', '') # Wandb entity cfg.wandb.tags = [] # Wandb tags cfg.wandb.dir = '' # Wandb save folder ######################################################################################################################## # MODEL ######################################################################################################################## cfg.model = CN() cfg.model.name = '' # Training model cfg.model.checkpoint_path = '' # Checkpoint path for model saving ######################################################################################################################## # MODEL.OPTIMIZER ######################################################################################################################## cfg.model.optimizer = CN() cfg.model.optimizer.name = 'Adam' # Optimizer name cfg.model.optimizer.depth = CN() cfg.model.optimizer.depth.lr = 0.0002 # Depth learning rate cfg.model.optimizer.depth.weight_decay = 0.0 # Dept weight decay cfg.model.optimizer.pose = CN() cfg.model.optimizer.pose.lr = 0.0002 # Pose learning rate cfg.model.optimizer.pose.weight_decay = 0.0 # Pose weight decay cfg.model.optimizer.momentum = 0.9 ######################################################################################################################## # MODEL.SCHEDULER ######################################################################################################################## cfg.model.scheduler = CN() cfg.model.scheduler.name = 'StepLR' # Scheduler name cfg.model.scheduler.step_size = 10 # Scheduler step size cfg.model.scheduler.gamma = 0.5 # Scheduler gamma value cfg.model.scheduler.T_max = 20 # Scheduler maximum number of iterations cfg.model.scheduler.eta_min = 1e-7 cfg.model.scheduler.milestones = [10, 15, 20, 25, 30, 35, 40, 45] ######################################################################################################################## # MODEL.PARAMS ######################################################################################################################## cfg.model.params = CN() cfg.model.params.crop = '' # Which crop should be used during evaluation cfg.model.params.min_depth = 0.0 # Minimum depth value to evaluate cfg.model.params.max_depth = 80.0 # Maximum depth value to evaluate ######################################################################################################################## # MODEL.LOSS ######################################################################################################################## cfg.model.loss = CN() # cfg.model.loss.num_scales = 4 # Number of inverse depth scales to use cfg.model.loss.progressive_scaling = 0.0 # Training percentage to decay number of scales cfg.model.loss.flip_lr_prob = 0.5 # Probability of horizontal flippping cfg.model.loss.rotation_mode = 'euler' # Rotation mode cfg.model.loss.upsample_depth_maps = True # Resize depth maps to highest resolution # cfg.model.loss.ssim_loss_weight = 0.85 # SSIM loss weight cfg.model.loss.occ_reg_weight = 0.1 # Occlusion regularizer loss weight cfg.model.loss.smooth_loss_weight = 0.001 # Smoothness loss weight cfg.model.loss.C1 = 1e-4 # SSIM parameter cfg.model.loss.C2 = 9e-4 # SSIM parameter cfg.model.loss.photometric_reduce_op = 'min' # Method for photometric loss reducing cfg.model.loss.disp_norm = True # Inverse depth normalization cfg.model.loss.clip_loss = 0.0 # Clip loss threshold variance cfg.model.loss.padding_mode = 'zeros' # Photometric loss padding mode cfg.model.loss.automask_loss = True # Automasking to remove static pixels # cfg.model.loss.velocity_loss_weight = 0.1 # Velocity supervision loss weight # cfg.model.loss.supervised_method = 'sparse-l1' # Method for depth supervision cfg.model.loss.supervised_num_scales = 4 # Number of scales for supervised learning cfg.model.loss.supervised_loss_weight = 0.9 # Supervised loss weight ######################################################################################################################## # MODEL.DEPTH_NET ######################################################################################################################## cfg.model.depth_net = CN() cfg.model.depth_net.name = '' # Depth network name cfg.model.depth_net.checkpoint_path = '' # Depth checkpoint filepath cfg.model.depth_net.version = '' # Depth network version cfg.model.depth_net.dropout = 0.0 # Depth network dropout ######################################################################################################################## # MODEL.POSE_NET ######################################################################################################################## cfg.model.pose_net = CN() cfg.model.pose_net.name = '' # Pose network name cfg.model.pose_net.checkpoint_path = '' # Pose checkpoint filepath cfg.model.pose_net.version = '' # Pose network version cfg.model.pose_net.dropout = 0.0 # Pose network dropout ######################################################################################################################## # MODEL.perpcep_net ######################################################################################################################## cfg.model.percep_net = CN() cfg.model.percep_net.name = '' # percep_net network name cfg.model.percep_net.checkpoint_path = '' # percep_net checkpoint filepath cfg.model.percep_net.version = '' # percep_net network version cfg.model.percep_net.dropout = 0.0 # percep_net network dropout ######################################################################################################################## # DATASETS ######################################################################################################################## cfg.datasets = CN() ######################################################################################################################## # DATASETS.AUGMENTATION ######################################################################################################################## cfg.datasets.augmentation = CN() cfg.datasets.augmentation.image_shape = (192, 640) # Image shape cfg.datasets.augmentation.jittering = (0.2, 0.2, 0.2, 0.05 ) # Color jittering values ######################################################################################################################## # DATASETS.TRAIN ######################################################################################################################## cfg.datasets.train = CN() cfg.datasets.train.batch_size = 8 # Training batch size cfg.datasets.train.num_workers = 16 # Training number of workers cfg.datasets.train.back_context = 1 # Training backward context cfg.datasets.train.forward_context = 1 # Training forward context cfg.datasets.train.dataset = [] # Training dataset cfg.datasets.train.path = [] # Training data path cfg.datasets.train.split = [] # Training split cfg.datasets.train.depth_type = [''] # Training depth type cfg.datasets.train.cameras = [ [] ] # Training cameras (double list, one for each dataset) cfg.datasets.train.repeat = [ 1 ] # Number of times training dataset is repeated per epoch cfg.datasets.train.num_logs = 5 # Number of training images to log cfg.datasets.train.strides = (1, ) # stride ######################################################################################################################## # DATASETS.VALIDATION ######################################################################################################################## cfg.datasets.validation = CN() cfg.datasets.validation.batch_size = 1 # Validation batch size cfg.datasets.validation.num_workers = 8 # Validation number of workers cfg.datasets.validation.back_context = 0 # Validation backward context cfg.datasets.validation.forward_context = 0 # Validation forward contxt cfg.datasets.validation.dataset = [] # Validation dataset cfg.datasets.validation.path = [] # Validation data path cfg.datasets.validation.split = [] # Validation split cfg.datasets.validation.depth_type = [''] # Validation depth type cfg.datasets.validation.cameras = [ [] ] # Validation cameras (double list, one for each dataset) cfg.datasets.validation.num_logs = 5 # Number of validation images to log cfg.datasets.validation.strides = (1, ) # stride ######################################################################################################################## # DATASETS.TEST ######################################################################################################################## cfg.datasets.test = CN() cfg.datasets.test.batch_size = 1 # Test batch size cfg.datasets.test.num_workers = 8 # Test number of workers cfg.datasets.test.back_context = 0 # Test backward context cfg.datasets.test.forward_context = 0 # Test forward context cfg.datasets.test.dataset = [] # Test dataset cfg.datasets.test.path = [] # Test data path cfg.datasets.test.split = [] # Test split cfg.datasets.test.depth_type = [''] # Test depth type cfg.datasets.test.cameras = [ [] ] # Test cameras (double list, one for each dataset) cfg.datasets.test.num_logs = 5 # Number of test images to log cfg.datasets.test.strides = (1, ) # stride ######################################################################################################################## # THESE SHOULD NOT BE CHANGED ######################################################################################################################## cfg.config = '' # Run configuration file cfg.default = '' # Run default configuration file cfg.wandb.url = '' # Wandb URL cfg.checkpoint.s3_url = '' # s3 URL cfg.save.pretrained = '' # Pretrained checkpoint cfg.prepared = False # Prepared flag ######################################################################################################################## def get_cfg_defaults(): return cfg.clone()