Codes for Lane Detection - Codes for Lane Detection

Codes for Lane Detection

بايثون

1.0.0

تنزيل

رموز "تعلم CNNs لاكتشاف حارة خفيفة الوزن عن طريق تقطير انتباه الذات"

يحتوي هذا الريبو أيضًا على تنفيذ Tensorflow لـ "المكاني على أنه عميق: CNN المكاني لفهم مشهد حركة المرور". (Scnn-TensorFlow)

أخبار

تم إصدار Erfnet-Culane-Pytorch. (يمكن أن يحقق 73.1 F1 Measure في مجموعة اختبار Culane)
تم إصدار Enet-Label-Torch و Enet-Tusimple-Torch و Enet-BDD100K-Torch.

الميزات الرئيسية:

(1) يعد Enet-Label نموذجًا لاكتشاف الممرات خفيفة الوزن يعتمد على ENET ويعتمد تقطير الانتباه الذاتي (يمكن العثور على مزيد من التفاصيل في ورقتنا).

(2) يحتوي على 20 × عدد أقل من المعلمات ويعمل أسرع 10 × مقارنة بـ SCNN الحديثة ، ويحقق 72.0 (F1-Measure) على مجموعة اختبار Culane (أفضل من SCNN الذي يحقق 71.6). ويحقق أيضًا دقة 96.64 ٪ في مجموعة اختبار Tusimple (أفضل من SCNN الذي يحقق 96.53 ٪) و 36.56 ٪ في مجموعة اختبار BDD100K (أفضل من SCNN الذي يحقق 35.79 ٪).

(3) يؤدي تطبيق ENET-SAD على مجموعة بيانات LLAMAS إلى 0.635 خريطة في مهمة تجزئة علامة الممرات متعددة الطبقات ، والتي هي أفضل بكثير من خوارزمية خط الأساس التي تحقق 0.500 MAP. يمكن العثور على التفاصيل في هذا الريبو.

(لا تتردد في تجربة نموذجنا !!!)

تم دعم التدريب متعدد GPU. ما عليك سوى تغيير batch_size و gpu_num في global_config.py ، ثم استخدم CUDA_VISIBLE_DEVICES="0,1,2,3" python file_name.py . شكرا @ yujincheng08.

محتوى

تثبيت
مجموعات البيانات
- tusimple
- كولان
- BDD100K
Scnn-TensorFlow
- امتحان
- يدرب
أداء
آحرون
- اقتباس
- شكر وتقدير
- اتصال

تثبيت

تثبيت الحزم اللازمة:

    conda create -n tensorflow_gpu pip python=3.5
    source activate tensorflow_gpu
    pip install --upgrade tensorflow-gpu==1.3.0
    pip3 install -r SCNN-Tensorflow/lane-detection-model/requirements.txt

تنزيل VGG-16:

قم بتنزيل vgg.npy هنا ووضعه في SCNN-TensorFlow/Lane-Detection-Model/Data.

نموذج تدريب مسبقًا للاختبار:

قم بتنزيل النموذج الذي تم تدريبه مسبقًا هنا.

مجموعات البيانات

tusimple

تتوفر الآن ملصقات Tusimple Testing Set في Tusimple. يمكن العثور على التدريب المشروح (#frame = 3268) وعلامات التحقق من الصحة (#frame = 358) هنا ، يرجى استخدامها (list-name.txt) لاستبدال Train_gt.txt و Val_Gt.txt في Train_Lanenet.py. علاوة على ذلك ، تحتاج إلى تغيير حجم الصورة إلى 256 × 512 بدلاً من 288 × 800 في Tusimple. تذكر تغيير فهرس الحد الأقصى للصفوف والأعمدة ، ويمكن رؤية تفسيرات مفصلة هنا. يرجى تقييم pred.json باستخدام الملصقات وهذا البرنامج النصي. علاوة على ذلك ، لتوليد pred.json ، يمكنك الرجوع إلى هذه المشكلة.

كولان

مجموعة البيانات بأكملها متوفرة في Culane.

BDD100K

مجموعة البيانات بأكملها متوفرة في BDD100K.

Scnn-TensorFlow

امتحان

 cd SCNN-Tensorflow/lane-detection-model
CUDA_VISIBLE_DEVICES="0" python tools/test_lanenet.py --weights_path path/to/model_weights_file --image_path path/to/image_name_list --save_dir to_be_saved_dir

لاحظ أن المسار/إلى/image_name_list يجب أن يكون مثل test_img.txt. الآن ، تحصل على خرائط الاحتمالات من نموذجنا. للحصول على الأداء النهائي ، تحتاج إلى متابعة SCNN للحصول على خطوط منحنى من خرائط الاحتمالات وكذلك حساب الدقة والاستدعاء و F1-Measure.

تذكير: يجب عليك التحقق من lanenet_data_processor.py و lanenet_data_processor_test.py للتأكد من أن معالجة مسار الصورة صحيحة. يوصى باستخدام المسار المطلق في قائمة مسار الصور الخاصة بك. علاوة على ذلك ، يحتاج هذا الرمز إلى حجم الدُفعة المستخدمة في التدريب والاختبار لتكون متسقة. لتمكين حجم الدُفعة التعسفية في مرحلة الاختبار ، يرجى الرجوع إلى هذه المشكلة.

يدرب

 CUDA_VISIBLE_DEVICES="0" python tools/train_lanenet.py --net vgg --dataset_dir path/to/CULane-dataset/

لاحظ أن المسار/إلى/culane-dataset/يجب أن يحتوي على ملفات مثل Train_gt.txt و val_gt.txt.

أداء

مجموعة اختبار Tusimple:

نموذج	دقة	FP	fn
scnn-torch	96.53 ٪	0.0617	0.0180
Scnn-TensorFlow	-	-	-
enet-label-torch	96.64 ٪	0.0602	0.0205

النموذج الذي تم تدريبه مسبقًا للاختبار هنا. (قادم قريبًا!) لاحظ أنه في Tusimple ، يعتمد Scnn-torch على Resnet-101 بينما يعتمد Scnn-TensorFlow على VGG-16. في Culane و BDD100K ، يعتمد كل من SCNN-Torch و SCNN-TensorFlow على VGG-16.

مجموعة اختبار Culane (F1-Measure):

فئة	scnn-torch	Scnn-TensorFlow	enet-label-torch	erfnet-culane-pytorch
طبيعي	90.6	90.2	90.7	91.5
مزدحم	69.7	71.9	70.8	71.6
ليلة	66.1	64.6	65.9	67.1
لا خط	43.4	45.8	44.7	45.1
الظل	66.9	73.8	70.6	71.3
سهم	84.1	83.8	85.8	87.2
إبهار الضوء	58.5	59.5	64.4	66.0
منحنى	64.4	63.4	65.4	66.3
مفترق طرق	1990	4137	2729	2199
المجموع	71.6	71.3	72.0	73.1
وقت التشغيل (MS)	133.5	-	13.4	10.2
المعلمة (م)	20.72	-	0.98	2.49

النموذج الذي تم تدريبه مسبقًا للاختبار هنا. لاحظ أنك تحتاج إلى تبادل ترتيب VGG-mean في test_lanenet.py وتغيير ترتيب إدخال الصور من RGB إلى BGR لأن النموذج الذي تم تدريبه مسبقًا يستخدم OpenCV لقراءة الصور. يمكنك زيادة أداء الأداء من خلال الإشارة إلى هذه المشكلة.

مجموعة اختبار BDD100K:

نموذج	دقة	IOU
scnn-torch	35.79 ٪	15.84
Scnn-TensorFlow	-	-
enet-label-torch	36.56 ٪	16.02

يتم حساب الدقة و IOU من وحدات بكسل. النموذج الذي تم تدريبه مسبقًا للاختبار هنا. (قريباً!)

آحرون

اقتباس

إذا كنت تستخدم الرموز ، يرجى الاستشهاد بالمنشورات التالية:

 @article{hou2019learning,
  title={Learning Lightweight Lane Detection CNNs by Self Attention Distillation},
  author={Hou, Yuenan and Ma, Zheng and Liu, Chunxiao and Loy, Chen Change},
  journal={arXiv preprint arXiv:1908.00821},
  year={2019}
}

@inproceedings{pan2018SCNN,  
  author = {Xingang Pan, Jianping Shi, Ping Luo, Xiaogang Wang, and Xiaoou Tang},  
  title = {Spatial As Deep: Spatial CNN for Traffic Scene Understanding},  
  booktitle = {AAAI Conference on Artificial Intelligence (AAAI)},  
  month = {February},  
  year = {2018}  
}

@misc{hou2019agnostic,
    title={Agnostic Lane Detection},
    author={Yuenan Hou},
    year={2019},
    eprint={1905.03704},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}