تنزيل Ultra Fast Lane Detection - تنزيل رمز مصدر Ultra Fast Lane Detection

Ultra Fast Lane Detection

بايثون

1.0.0

تنزيل

الكشف عن حارة فائقة

تنفيذ Pytorch للورقة "الكشف العميق في البنية السريعة للغاية".

[18 يوليو ، 2022] التحديثات: تم قبول الإصدار الجديد من طريقتنا بواسطة TPAMI 2022. الرمز متاح هنا .

[28 يونيو ، 2021] التحديثات: سنقوم بإصدار نسخة ممتدة ، والتي تعمل على تحسين 6.3 نقطة من F1 على Culane مع العمود الفقري Resnet-18 مقارنة مع إصدار ECCV.

التحديثات: تم قبول ورقةنا من قبل ECCV2020.

alt text

يتم تعديل رمز التقييم من SCNN و Tusimple القياسي.

يمكن العثور على نموذج الكافيين و prototxt هنا.

العرض التوضيحي

ثَبَّتَ

يرجى الاطلاع على تثبيت

ابدأ

بادئ ذي بدء ، يرجى تعديل data_root و log_path في configs/culane.py أو configs/tusimple.py config وفقًا لبيئتك.

data_root هو مسار مجموعة بيانات Culane أو مجموعة بيانات Tusimple.
log_path هو المكان الذي يتم فيه تخزين سجلات Tensorboard والموديلات المدربة والنسخ الاحتياطي للكود. يجب وضعه خارج هذا المشروع.

لتدريب وحدة معالجة الرسومات الواحدة ، قم بالتشغيل

python train.py configs/path_to_your_config

للتدريب متعدد GPU ، قم بالتشغيل

sh launch_training.sh

أو

python -m torch.distributed.launch --nproc_per_node= $NGPUS train.py configs/path_to_your_config

إذا لم يكن هناك نموذج torchvision المسبق ، فقد يؤدي التدريب متعدد GPU إلى تنزيل متعدد. يمكنك أولاً تنزيل النماذج المقابلة يدويًا ، ثم إعادة تشغيل التدريب متعدد GPU.

نظرًا لأن الكود الخاص بنا يحتوي على وظيفة النسخ الاحتياطي التلقائي التي ستقوم بنسخ جميع الرموز إلى log_path وفقًا لـ Gitignore ، فقد يتم أيضًا نسخ ملف مؤقت إضافي إذا لم يتم ترشيحه بواسطة Gitignore ، والذي قد يحظر التنفيذ إذا كانت ملفات temp كبيرة. لذلك يجب أن تبقي دليل العمل نظيفًا.

إلى جانب إعدادات نمط التكوين ، فإننا ندعم أيضًا نمط سطر الأوامر. يمكنك تجاوز إعداد مثل

python train.py configs/path_to_your_config --batch_size 8

سيتم ضبط batch_size على 8 أثناء التدريب.

لتصور السجل مع Tensorboard ، قم بتشغيل

tensorboard --logdir log_path --bind_all

نماذج مدربة

نحن نقدم نموذجين Res-18 المدربين على Culane و Tusimple.

مجموعة البيانات	ورقة مترية	مقياس هذا الريبو	AVG FPS على GTX 1080TI	نموذج
tusimple	95.87	95.82	306	Googledrive/Baidudrive (رمز: BGHD)
كولان	68.4	69.7	324	Googledrive/Baidudrive (رمز: W9TW)

للتقييم ، تشغيل

mkdir tmp
# This a bad example, you should put the temp files outside the project.

python test.py configs/culane.py --test_model path_to_culane_18.pth --test_work_dir ./tmp

python test.py configs/tusimple.py --test_model path_to_tusimple_18.pth --test_work_dir ./tmp

مثل التدريب ، يتم دعم تقييم متعدد GPU أيضًا.

التصور

نحن نقدم البرنامج النصي لتصور نتائج الكشف. قم بتشغيل الأوامر التالية لتصور مجموعة اختبار Culane و Tusimple.

python demo.py configs/culane.py --test_model path_to_culane_18.pth
# or
python demo.py configs/tusimple.py --test_model path_to_tusimple_18.pth

نظرًا لأن مجموعة الاختبار من Tusimple لم يتم طلبها ، فقد يبدو الفيديو المصور سيئًا ولا نوصي بالقيام بذلك.

سرعة

لاختبار وقت التشغيل ، يرجى التشغيل

python speed_simple.py  
# this will test the speed with a simple protocol and requires no additional dependencies

python speed_real.py
# this will test the speed with real video or camera input

سوف يحلق 100 مرة ويحسب متوسط وقت التشغيل و FPS في بيئتك.

اقتباس

 @InProceedings { qin2020ultra ,
author = { Qin, Zequn and Wang, Huanyu and Li, Xi } ,
title = { Ultra Fast Structure-aware Deep Lane Detection } ,
booktitle = { The European Conference on Computer Vision (ECCV) } ,
year = { 2020 }
}

@ARTICLE { qin2022ultrav2 ,
  author = { Qin, Zequn and Zhang, Pengyi and Li, Xi } ,
  journal = { IEEE Transactions on Pattern Analysis and Machine Intelligence } , 
  title = { Ultra Fast Deep Lane Detection With Hybrid Anchor Driven Ordinal Classification } , 
  year = { 2022 } ,
  volume = { } ,
  number = { } ,
  pages = { 1-14 } ,
  doi = { 10.1109/TPAMI.2022.3182097 }
}