Ultra Fast Lane Detection

Deteksi ultra-cepat

Implementasi Pytorch dari makalah "Deteksi Jalur Jalur Deep yang sangat cepat".

[18 Juli 2022] Pembaruan: Versi baru dari metode kami telah diterima oleh TPAMI 2022. Kode tersedia di sini .

[28 Juni 2021] Pembaruan: Kami akan merilis versi yang diperluas, yang meningkatkan 6,3 poin F1 di Culane dengan tulang punggung ResNet-18 dibandingkan dengan versi ECCV.

Pembaruan: Makalah kami telah diterima oleh ECCV2020.

Kode evaluasi dimodifikasi dari Benchmark SCNN dan Tusimple.

Caffe Model dan ProtoTxt dapat ditemukan di sini.

Demo

Memasang

Silakan lihat install.md

Mulai

Pertama -tama, harap modifikasi data_root dan log_path di configs/culane.py atau configs/tusimple.py konfigurasi Anda sesuai dengan lingkungan Anda.

• data_root adalah jalur dataset culane Anda atau dataset tusimple.
• log_path adalah tempat log tenor, model terlatih, dan cadangan kode disimpan. Itu harus ditempatkan di luar proyek ini.

---

Untuk pelatihan GPU tunggal, jalankan

python train.py configs/path_to_your_config

Untuk pelatihan multi-GPU, jalankan

sh launch_training.sh

atau

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

Jika tidak ada model TorchVision pretrained, pelatihan multi-GPU dapat mengakibatkan beberapa pengunduhan. Anda pertama-tama dapat mengunduh model yang sesuai secara manual, dan kemudian restart pelatihan multi-GPU.

Karena kode kami memiliki fungsi cadangan otomatis yang akan menyalin semua kode ke log_path sesuai dengan gitignore, file temp tambahan mungkin juga disalin jika tidak difilter oleh Gitignore, yang dapat memblokir eksekusi jika file temps besar. Jadi Anda harus menjaga direktori kerja tetap bersih.

---

Selain pengaturan gaya konfigurasi, kami juga mendukung gaya baris perintah satu. Anda dapat mengesampingkan pengaturan seperti

python train.py configs/path_to_your_config --batch_size 8

batch_size akan ditetapkan ke 8 selama pelatihan.

---

Untuk memvisualisasikan log dengan Tensorboard, jalankan

tensorboard --logdir log_path --bind_all

Model terlatih

Kami menyediakan dua model RES-18 terlatih di Culane dan Tusimple.

Dataset	Kertas metrik	Metrik repo ini	AVG FPS di GTX 1080Ti	Model
Tusimple	95.87	95.82	306	Googledrive/Baidudrive (kode: BGHD)
Culane	68.4	69.7	324	Googledrive/Baidudrive (kode: W9TW)

Untuk evaluasi, jalankan

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

Sama seperti pelatihan, evaluasi multi-GPU juga didukung.

Visualisasi

Kami menyediakan skrip untuk memvisualisasikan hasil deteksi. Jalankan perintah berikut untuk memvisualisasikan pada set pengujian Culane dan Tusimple.

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

Karena set pengujian Tusimple tidak dipesan, video yang divisualisasikan mungkin terlihat buruk dan kami tidak merekomendasikan melakukan ini.

Kecepatan

Untuk menguji runtime, silakan jalankan

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

Ini akan mengulang 100 kali dan menghitung rata -rata runtime dan FPS di lingkungan Anda.

Kutipan

 @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 }
}

Terima kasih

Terima kasih ZchrissirHCZ atas kontribusi pada alat kompilasi Culane, Kopisoftware karena berkontribusi pada uji kecepatan, dan USTCLBH untuk pengujian pada platform Windows.