Ultra Fast Lane Detection

Ultra-Schnap-Lane-Erkennung

Pytorch-Implementierung des Papiers "Ultra Fast Structure-Awesare Deep Lane Detection".

[18. Juli 2022] Updates: Die neue Version unserer Methode wurde von TPAMI 2022 akzeptiert. Der Code ist hier verfügbar .

[28. Juni 2021] Updates: Wir werden eine erweiterte Version veröffentlichen, die im Vergleich zur ECCV-Version 6,3 Punkte von F1 auf Culane mit dem RESNET-18-Backbone verbessert.

Updates: Unser Papier wurde von ECCV2020 akzeptiert.

Der Bewertungscode wird aus SCNN und Tusimple Benchmark geändert.

KAFFE -Modell und Prototxt finden Sie hier.

Demo

Installieren

Siehe install.md

Fangen an

Bitte ändern Sie data_root und log_path in Ihren configs/culane.py oder configs/tusimple.py config gemäß Ihrer Umgebung.

• data_root ist der Pfad Ihres Culane -Datensatzes oder Ihres Tusimple -Datensatzes.
• In log_path werden Tensorboard -Protokolle, geschulte Modelle und Codesicherungen gespeichert. Es sollte außerhalb dieses Projekts platziert werden.

---

Für das einzelne GPU -Training laufen

python train.py configs/path_to_your_config

Für Multi-GPU-Training laufen

sh launch_training.sh

oder

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

Wenn es kein vorbereitetes Torchvision-Modell gibt, kann ein Multi-GPU-Training zu mehreren Downloads führen. Sie können zuerst die entsprechenden Modelle manuell herunterladen und dann das Multi-GPU-Training neu starten.

Da unser Code eine automatische Sicherungsfunktion hat, die alle Codes gemäß Gitignore in den log_path kopiert, wird möglicherweise auch eine zusätzliche TEMP -Datei kopiert, wenn sie nicht von Gitignore gefiltert wird, was die Ausführung blockieren kann, wenn die Temp -Dateien groß sind. Sie sollten also das Arbeitsverzeichnis sauber halten.

---

Neben den Konfigurationsstileinstellungen unterstützen wir auch den Befehlszeilenstil 1. Sie können eine Einstellung wie überschreiben

python train.py configs/path_to_your_config --batch_size 8

Das batch_size wird während des Trainings auf 8 gesetzt.

---

Um das Protokoll mit Tensorboard zu visualisieren, laufen Sie

tensorboard --logdir log_path --bind_all

Geschulte Modelle

Wir stellen zwei ausgebildete RES-18-Modelle für Culane und Tusimple zur Verfügung.

Datensatz	Metrikpapier	Metrisch dieses Repo	AVG FPS auf GTX 1080Ti	Modell
Tusimple	95,87	95,82	306	Googledrive/baidudrive (Code: BGHD)
Culane	68,4	69.7	324	Googledrive/baidudrive (Code: W9TW)

Für die Bewertung rennen

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

Wie bei der Schulung wird auch die Multi-GPU-Bewertung unterstützt.

Visualisierung

Wir bieten ein Skript zur Visualisierung der Erkennungsergebnisse. Führen Sie die folgenden Befehle aus, um den Testset von Culane und Tusimple zu visualisieren.

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

Da der Testssatz von Tusimple nicht bestellt wird, sieht das visualisierte Video möglicherweise schlecht aus, und wir empfehlen dies nicht .

Geschwindigkeit

Um die Laufzeit zu testen, rennen Sie bitte

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

Das 100 -fache werden die durchschnittlichen Laufzeit und die FPS in Ihrer Umgebung berechnet.

Zitat

 @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 }
}

Danke

Vielen Dank an Zchrissirhcz für den Beitrag zum Kompilierwerkzeug von Culane, Kopisoftware für den Beitrag zum Geschwindigkeitstest und ustclbh zum Testen auf der Windows -Plattform.