pytorch auto drive
vements & regular maintenance
PytorChautodrive ist ein reines Python -Framework enthält semantische Segmentierungsmodelle, Spurerkennungsmodelle, die auf Pytorch basieren. Hier bieten wir vollständige Stack -Unterstützung durch Forschung (Modelltraining, Tests, faires Benchmarking durch einfaches Schreiben von Konfigurationen) auf die Anwendung (Visualisierung, Modellbereitstellung).
Papier: Effiziente Fahrspurerkennung über Kurvenmodellierung überdenken (CVPR 2022)
Poster: Pytorchautodrive: Toolkit & Fair Benchmark für autonome Fahrerforschung (Pytorch Developer Day 2021)
Dieses Repository befindet sich unter aktiver Entwicklung, die Ergebnisse mit hochgeladenen Modellen sind stabil. Bei Benutzern von Legacy -Code überprüfen Sie bitte die Abschreibungen auf Änderungen.
Ein Demo -Video von ERFNET:
Verschiedene Methoden zu einer Vielzahl von Backbones, konfigurierten Implementierungen, modulierten und leicht verständlichen Codes, Bild-/Keypoint -Belastung, Transformationen und Visualisierungen , gemischtes Präzisionstraining , Tensorboard -Protokollierung und Bereitstellungsunterstützung mit ONNX und Tensorrt.
Modelle aus diesem Repo sind schneller zu trainieren ( einzelne Karten trainierbar ) und haben häufig eine bessere Leistung als andere Implementierungen. Siehe Wiki aus Gründen und technischer Spezifikation von Modellen.
| Aufgabe | Datensatz |
|---|---|
| Semantische Segmentierung | Pascal VOC 2012 |
| Semantische Segmentierung | Stadtlandschaften |
| Semantische Segmentierung | Gtav* |
| Semantische Segmentierung | Synthien* |
| Fahrspurerkennung | Culane |
| Fahrspurerkennung | Tusimple |
| Fahrspurerkennung | Lamas |
| Fahrspurerkennung | BDD100K ( in Arbeit ) |
* Das UDA -Basis -Setup mit Cityscapes Val als Validierung.
| Aufgabe | Rückgrat | Modell/Methode |
|---|---|---|
| Semantische Segmentierung | Resnet-101 | Fcn |
| Semantische Segmentierung | Resnet-101 | Deeptlabv2 |
| Semantische Segmentierung | Resnet-101 | Deeptlabv3 |
| Semantische Segmentierung | - - | Enet |
| Semantische Segmentierung | - - | Erfnet |
| Fahrspurerkennung | Enet, Erfnet, VGG16, ResNets (18, 34, 50, 101), Mobilenets (V2, V3-Large), Repvggs (A0, A1, B0, B1G2, B2), Swin (Tiny) | Grundlinie |
| Fahrspurerkennung | ERFNET, VGG16, RESNETS (18, 34, 50, 101), Repvggs (A1) | Scnn |
| Fahrspurerkennung | ResNets (18, 34, 50, 101), Mobilenets (V2, V3-Large), ERFNET | Resa |
| Fahrspurerkennung | Erfnet, enet | Traurig ( verschoben ) |
| Fahrspurerkennung | Erfnet | PRNET ( in Bearbeitung ) |
| Fahrspurerkennung | ResNets (18, 34, 50, 101), resnet18-reduziert | Lstr |
| Fahrspurerkennung | ResNets (18, 34) | Laneatt |
| Fahrspurerkennung | ResNets (18, 34) | Bézierlanenet |
Wir bieten solide Ergebnisse (durchschnittlich/best/detailliert), Trainingszeit, Shell -Skripte und geschulte Modelle, die in model_zoo.md zum Download zur Verfügung stehen.
Bitte bereiten Sie die Umgebung und den Code mit install.md vor. Befolgen Sie dann die Anweisungen in Dataset.md, um Datensätze einzurichten.
Beginnen Sie mit lanedetction.md zur Fahrspurerkennung.
Beginnen Sie mit Segmentierung.md für semantische Segmentierung.
Eine Visualisierungs- und Inferenz -Tutorial für Bild- und Videoeingaben finden Sie in der Visualisierung.md.
Unter Benchmark.md finden Sie ein Benchmarking -Tutorial, einschließlich FPS -Test, Flops und Speicherzahl für jedes unterstützte Modell.
Siehe Deploy.md für Unterstützung für ONNX- und Tensorrt -Bereitstellungen.
Checkout Advanced_Tutorial.md für erweiterte Anwendungsfälle und wie man in Pytorchautodrive codiert.
Siehe Beitrag für Beitragsanleitungen.
Wenn Sie dieses Framework der Meinung sind, dass Sie bei der Verwendung unserer Ergebnisse eine Referenz haben oder eine Referenz wünschen, zitieren Sie bitte das folgende Papier, das die offizielle Veröffentlichung von PytorChautodrive ermöglichte:
@inproceedings{feng2022rethinking,
title={Rethinking efficient lane detection via curve modeling},
author={Feng, Zhengyang and Guo, Shaohua and Tan, Xin and Xu, Ke and Wang, Min and Ma, Lizhuang},
booktitle={Computer Vision and Pattern Recognition},
year={2022}
}
Pytorchautodrive wird von Zhengyang Feng (Voldemortx) und Shaohua Guo (Cedricgsh) aufrechterhalten.
Mitwirkende (Github ID): Kalkun, Littlejohnkhan, Francis0407, Pannenetsf, BJZHB6666
Menschen, die uns gesponsert haben (z. B. mit Hardware): Lizhuang MA, Xin Tan, Junshu Tang (Junshutang), Fengqi Liu (Fengqiliu1221)
