pytorch auto drive
vements & regular maintenance
Pytorchautodrive est un cadre pur python comprend des modèles de segmentation sémantique, des modèles de détection de voie basés sur Pytorch . Ici, nous fournissons des supports complets de pile de la recherche (formation du modèle, tests, analyse comparative équitable en écrivant simplement des configurations) à l'application (visualisation, déploiement du modèle).
Papier: Repenser une détection efficace des voies via la modélisation de la courbe (CVPR 2022)
Affiche: Pytorchautodrive: Toolkit & Fair Benchmark for Autonomous Driving Research (Pytorch Developer Day 2021)
Ce référentiel est en cours de développement actif, les résultats avec les modèles téléchargés sont stables. Pour les utilisateurs de code hérité, veuillez vérifier les dépréciations pour les modifications.
Une vidéo de démonstration d'Erfnet:
Diverses méthodes sur un large éventail d'éclos, des implémentations basées sur la configuration , des codes modulés et facilement comprises , le chargement de point / point clavier, les transformations et les visualisations , la formation de précision mixte , la journalisation du tensorboard et le support de déploiement avec ONNX et Tensorrt.
Les modèles de ce dépôt sont plus rapides à former ( Trainable à carte unique ) et ont souvent de meilleures performances que les autres implémentations, voir Wiki pour des raisons et des spécifications techniques des modèles.
| Tâche | Ensemble de données |
|---|---|
| segmentation sémantique | Pascal COV 2012 |
| segmentation sémantique | Paysages urbains |
| segmentation sémantique | Gtav * |
| segmentation sémantique | Synthie * |
| détection de voie | Culane |
| détection de voie | Tusimple |
| détection de voie | Lamas |
| détection de voie | BDD100K ( en cours ) |
* La configuration de la ligne de base UDA, avec Cityscapes Val set comme validation.
| Tâche | Colonne vertébrale | Modèle / méthode |
|---|---|---|
| segmentation sémantique | Resnet-101 | FCN |
| segmentation sémantique | Resnet-101 | DeepLabv2 |
| segmentation sémantique | Resnet-101 | DeepLabv3 |
| segmentation sémantique | - | Enet |
| segmentation sémantique | - | Erfnet |
| détection de voie | ENET, ERFNET, VGG16, RESNETS (18, 34, 50, 101), MOBILENETS (V2, V3-GARD), repvggs (A0, A1, B0, B1G2, B2), Swin (Tiny) | Base de base |
| détection de voie | Erfnet, VGG16, Resnets (18, 34, 50, 101), repvggs (A1) | SCNN |
| détection de voie | ResNets (18, 34, 50, 101), Mobilenets (V2, V3-Garn), Erfnet | Resa |
| détection de voie | Erfnet, enet | Triste ( reporté ) |
| détection de voie | Erfnet | Prnet ( en cours ) |
| détection de voie | ResNet (18, 34, 50, 101), Resnet18-réduit | LSTR |
| détection de voie | Resnets (18, 34) | Laneatt |
| détection de voie | Resnets (18, 34) | Bézierlanenet |
Nous fournissons des résultats solides (moyen / meilleur / détaillé), du temps de formation, des scripts de shell et des modèles formés disponibles en téléchargement dans Model_zoo.md.
Veuillez préparer l'environnement et le code avec install.md. Suivez ensuite les instructions dans DataSet.md pour configurer des ensembles de données.
Commencez avec LaneDetection.md pour la détection de voie.
Commencez avec la segmentation.md pour la segmentation sémantique.
Reportez-vous à Visualization.md pour un tutoriel de visualisation et d'inférence, pour les entrées d'image et de vidéo.
Reportez-vous à Benchmark.md pour un tutoriel d'analyse comparative, y compris le test FPS, les flops et le nombre de mémoire pour chaque modèle pris en charge.
Reportez-vous à Deploy.md pour les supports de déploiement ONNX et Tensorrt.
Découvrez Advanced_tutorial.md pour les cas d'utilisation avancés et comment coder dans pytorchautodrive.
Reportez-vous à contribution.md pour les guides de contribution.
Si vous pensez que ce cadre a substantiellement aidé vos recherches ou si vous souhaitez une référence lorsque vous utilisez nos résultats, veuillez citer l'article suivant qui a fait la libération officielle 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 est maintenu par Zhengyang Feng (Voldemortx) et Shaohua Guo (Cedricgsh).
Contributeurs (Github ID): Kalkun, Littlejohnkhan, Francis0407, Pannenetsf, BJZHB666
Les gens qui nous ont parrainés (par exemple, avec du matériel): Lizhuang MA, Xin Tan, Junshu Tang (Junshutang), Fengqi Liu (Fengqiliu1221)
