pytorch auto drive
vements & regular maintenance
Pytorchautodrive es un marco de Python puro que incluye modelos de segmentación semántica, modelos de detección de carriles basados en Pytorch . Aquí proporcionamos soportes completos de la pila de la investigación (capacitación modelo, pruebas, evaluación comparativa justa simplemente escribiendo configuraciones) a la aplicación (visualización, implementación del modelo).
Documento: Repensar la detección de carril eficiente a través del modelado de curvas (CVPR 2022)
Cartel: Pytorchautodrive: Kitskit & Fair Benchmark para la investigación de conducción autónoma (Pytorch Developer Day 2021)
Este repositorio está en desarrollo activo, los resultados con los modelos cargados son estables. Para los usuarios de código heredado, verifique las deprecaciones para ver los cambios.
Un video de demostración de Erfnet:
Varios métodos en una amplia gama de columna vertebral, implementaciones basadas en configuración , códigos modulados y fácilmente entendidos , carga de imagen/punto clave, transformaciones y visualizaciones , capacitación de precisión mixta , registro de tensorial y soporte de implementación con ONNX y tensor.
Los modelos de este repositorio son más rápidos para entrenar ( capacitación de una sola tarjeta ) y, a menudo, tienen un mejor rendimiento que otras implementaciones, consulte Wiki por razones y especificaciones técnicas de modelos.
| Tarea | Conjunto de datos |
|---|---|
| segmentación semántica | Pascal Voc 2012 |
| segmentación semántica | Paisajes urbanos |
| segmentación semántica | GTAV* |
| segmentación semántica | Synthia* |
| detección de carril | Culano |
| detección de carril | Tusmelo |
| detección de carril | Llamas |
| detección de carril | BDD100K ( en progreso ) |
* La configuración de línea de base UDA, con los paisajes urbanos de Val establecido como validación.
| Tarea | Columna vertebral | Modelo/método |
|---|---|---|
| segmentación semántica | Resnet-101 | FCN |
| segmentación semántica | Resnet-101 | DeepLabv2 |
| segmentación semántica | Resnet-101 | DeepLabv3 |
| segmentación semántica | - | Enet |
| segmentación semántica | - | Erfnet |
| detección de carril | ENET, ERFNET, VGG16, RESNETS (18, 34, 50, 101), MobileNets (V2, V3-Large), Repvggs (A0, A1, B0, B1G2, B2), Swin (Tiny) | Base |
| detección de carril | Erfnet, VGG16, Resnets (18, 34, 50, 101), Repvggs (A1) | SCNN |
| detección de carril | Resnets (18, 34, 50, 101), MobileNets (V2, V3-Large), Erfnet | Resa |
| detección de carril | Erfnet, ENET | Triste ( pospuesto ) |
| detección de carril | Erfnet | PRNET ( en progreso ) |
| detección de carril | Resnets (18, 34, 50, 101), resnet18-reducido | LSTR |
| detección de carril | Resnets (18, 34) | Laneatt |
| detección de carril | Resnets (18, 34) | Bézierlanenet |
Proporcionamos resultados sólidos (promedio/mejor/detallado), tiempo de entrenamiento, scripts de shell y modelos capacitados disponibles para descargar en model_zoo.md.
Prepare el entorno y el código con install.md. Luego siga las instrucciones en DataSet.md para configurar los conjuntos de datos.
Comience con Lanedetection.MD para la detección de carriles.
Comience con segmentación. MD para la segmentación semántica.
Consulte Visualization.md para obtener un tutorial de visualización e inferencia, para obtener entradas de imagen y video.
Consulte Benchmark.md para obtener un tutorial de evaluación comparativa, incluida la prueba FPS, los fracasos y el recuento de memoria para cada modelo compatible.
Consulte Implement.md para obtener soportes de implementación ONNX y Tensorrt.
Vuelva a ver avanzado_tutorial.md para casos de uso avanzados y cómo codificar en pytorchautodrive.
Consulte la contribución. MD para las guías de contribución.
Si siente que este marco ayudó sustancialmente a su investigación o desea una referencia al usar nuestros resultados, cite el siguiente documento que hizo la liberación oficial de Pytorchautodrive:
@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 es mantenido por Zhengyang Feng (Voldemortx) y Shaohua Guo (Cedricgsh).
Colaboradores (ID de Github): Kalkun, Littlejohnkhan, Francis0407, Pannenetsf, BJZHB666
Personas que nos patrocinaron (por ejemplo, con hardware): Lizhuang MA, Xin Tan, Junshu Tang (Junshutang), Fengqi Liu (Fengqiliu1221)
