Ultra-Fast-Lane-Detection代码复现(车道线检测)

Ultra-Fast-Lane-Detection

code: https://github.com/cfzd/Ultra-Fast-Lane-Detection
作者博客: https://zhuanlan.zhihu.com/p/157530787
参考博客: https://www.cnblogs.com/ziyuzhu-edward/p/13639494.html

• our formulation is proposed to
  select locations of lanes at predefined rows of the image using global features
  instead of segmenting every pixel of lanes based on a local receptive field,
  which significantly reduces the computational cost.

• we present a structural loss which explicitly
  utilizes prior information of lanes.

• 准确率速度都很高,300+fps

相关工作

VPGNet, SCNN, Selfattention distillation (SAD)

Method

• 将车道线检测定义为寻找车道线在图像中某些行的位置的集合，即基于行方向上的位置选择、分类（row-based classification）
• 就是giridding一下变成大方块这样
• 每一行是一个anchor
• 我们可以发现向量的长度是w+1而不是w， 因为有可能这一行里所有的grid都不属于第i条车道， 这个时候需要多出一个grid来代表不存在， 此时向量前w个grid都是0， 第w+1个元素为1
  
• Lane structural loss
  

环境准备

1. Clone the project

   git clone https://github.com/cfzd/Ultra-Fast-Lane-Detection
   cd Ultra-Fast-Lane-Detection
   

2. Create a conda virtual environment and activate it

   conda create -n lane-det python=3.7 -y
   conda activate lane-det
   

3. Install dependencies

   # If you dont have pytorch
   conda install pytorch torchvision cudatoolkit=10.1 -c pytorch 
   
   pip install -r requirements.txt
   

数据集存放

$TUSIMPLEROOT
|──clips
|──label_data_0313.json
|──label_data_0531.json
|──label_data_0601.json
|──test_tasks_0627.json
|──test_label.json
|──readme.md

convert_tusimple

对于Tusimple，没有提供分割注释，因此我们需要从json注释生成分割。

python scripts/convert_tusimple.py --root /home/stone/disk/Lane_detection/Ultra-Fast-Lane-Detection-master/TuSimple

# this will generate segmentations and two list files: train_gt.txt and test.txt

测试

python test.py configs/tusimple.py --test_model ./tusimple_18.pth  --test_work_dir ./tmp

可视化

python demo.py configs/tusimple.py --test_model path_to_tusimple_18.pth

大部分图片的预测效果还可以,但是中间和右图的预测效果就特别差,感觉这两张图的车道特征还挺明显的,偏移比较大

训练

 python train.py configs/tusimple.py

版权声明：本文为CSDN博主「Flying Stone」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_42840360/article/details/116047264