# Карта проекта depth_edges_annotate_worlduav

## 1. Источник

```text
C:\Users\Lisadminipc\Documents\code\depth_edges_annotate_worlduav
```

Снимки ключевых файлов находятся в `vendor_reference/depth_edges_annotate_worlduav/`.

## 2. GTA-UAV annotation run

Reference entry point: `scripts/run_gta_uav.py`.

Исходная GTA-UAV структура:

```text
GTA-UAV-LR/
├── drone/images/     # UAV, 512x384
└── satellite/        # satellite, 256x256, возможен alpha channel
```

Reference output:

```text
GTA-UAV-LR-aug/
├── depth/
├── edge/
├── segm/
├── chm/
├── safetensors/
└── manifest.json
```

## 3. Используемые модальности

| View | Geometry key | Segmentation key |
|---|---|---|
| Satellite | `chm` | `segm` |
| UAV | `depth` | `segm` |

`edge` генерируется pipeline, но не входит в primary fusion input этого проекта.

## 4. Segmentation classes

Canonical source: `scripts/seg_classes.py`.

17 classes:

```text
0 background
1 building
2 road
3 vegetation
4 water
5 sand and gravel ground
6 rocky terrain
7 farmland
8 railway
9 parking lot
10 sidewalk
11 bare soil and plowed field
12 roof and rooftop
13 sports field and playground
14 muddy ground and wetland
15 embankment and levee
16 swimming pool
```

При переносе запрещено создавать новый порядок IDs.

## 5. Storage

Для обучения предпочтительны SafeTensors:

| Key | Dtype | Shape | Range |
|---|---|---|---|
| `depth` | float16 | `[1,H,W]` | normalized `[0,1]` |
| `chm` | float16 | `[1,H,W]` | normalized `[0,1]` |
| `segm` | uint8 | `[1,H,W]` | IDs `[0,16]` |
| `edge` | float16 | `[1,H,W]` | normalized `[0,1]` |

PNG используется только для визуальной инспекции.

## 6. Data validation перед training

Для каждой view вычислить:

- число найденных SafeTensors;
- число отсутствующих файлов;
- shape mismatch count;
- NaN/Inf count;
- min/max/mean/std geometry;
- class histogram segmentation;
- valid fraction;
- долю constant maps;
- совпадение stem с RGB.

Результат сохранить в `reports/joint/DATA_VALIDATION.json` и кратко описать в `ENVIRONMENT_AUDIT.md`.

## 7. Что не копировать в training code

- Model inference implementation генераторов.
- Веса DA3, segmentation и CHM generators.
- Sequential model loading logic.
- Visualization palette как model input.
- Хардкодированные source/output paths.

Новый проект читает готовые annotations. Генерация повторяется во внешнем проекте только при отсутствии или повреждении данных.