Unduh pytorch auto drive - Unduh Kode Sumber pytorch auto drive

pytorch auto drive

ular piton

vements & regular maintenance

Unduh

Pytorchautodrive: Kerangka kerja untuk persepsi self-driving

Pytorchautodrive adalah kerangka Python murni termasuk model segmentasi semantik, model deteksi jalur berdasarkan Pytorch . Di sini kami memberikan dukungan tumpukan penuh dari penelitian (pelatihan model, pengujian, tolok ukur yang adil dengan hanya menulis konfigurasi) ke aplikasi (visualisasi, penyebaran model).

Kertas: Memikirkan kembali deteksi jalur efisien melalui pemodelan kurva (CVPR 2022)

Poster: Pytorchautodrive: Toolkit & Benchmark Fair untuk Penelitian Mengemudi Otonomi (Pytorch Developer Day 2021)

Repositori ini sedang dalam pengembangan aktif, hasil dengan model yang diunggah stabil. Untuk pengguna Kode Legacy, silakan periksa depresi untuk perubahan.

Video demo dari Erfnet:

demo_3.0.mp4

Highlight

Berbagai metode pada berbagai tulang punggung, implementasi berbasis konfigurasi , kode yang dimodulasi dan mudah dipahami , pemuatan gambar/keypoint, transformasi dan visualisasi , pelatihan presisi campuran , penebangan tensorboard dan dukungan penyebaran dengan ONNX dan Tensorrt.

Model dari repo ini lebih cepat untuk berlatih ( kartu tunggal yang dapat dilatih ) dan seringkali memiliki kinerja yang lebih baik daripada implementasi lainnya, lihat Wiki untuk alasan dan spesifikasi teknis model.

Dataset yang Didukung:

Tugas	Dataset
segmentasi semantik	Pascal VOC 2012
segmentasi semantik	Cityscapes
segmentasi semantik	GTAV*
segmentasi semantik	Synthia*
Deteksi jalur	Culane
Deteksi jalur	Tusimple
Deteksi jalur	Llamas
Deteksi jalur	BDD100K ( sedang berlangsung )

* Pengaturan Baseline UDA, dengan CityScapes Val ditetapkan sebagai validasi.

Model yang Didukung:

Tugas	Tulang punggung	Model/Metode
segmentasi semantik	Resnet-101	Fcn
segmentasi semantik	Resnet-101	Deeplabv2
segmentasi semantik	Resnet-101	Deeplabv3
segmentasi semantik	-	Enet
segmentasi semantik	-	Erfnet
Deteksi jalur	Enet, erfnet, vgg16, resnet (18, 34, 50, 101), mobileNets (v2, v3-besar), repvgs (a0, a1, b0, b1g2, b2), swin (kecil)	Baseline
Deteksi jalur	ERFNET, VGG16, ResNets (18, 34, 50, 101), RepVGGS (A1)	Scnn
Deteksi jalur	Resnets (18, 34, 50, 101), MobileNets (V2, V3-Large), ERFNET	Resa
Deteksi jalur	Erfnet, enet	Sedih ( ditunda )
Deteksi jalur	Erfnet	PRNET ( sedang berlangsung )
Deteksi jalur	Resnets (18, 34, 50, 101), resnet18-reduced	Lstr
Deteksi jalur	Resnets (18, 34)	Laneatt
Deteksi jalur	Resnets (18, 34)	Bézierlanenet

Model Zoo

Kami memberikan hasil yang solid (rata -rata/terbaik/terperinci), waktu pelatihan, skrip shell dan model terlatih yang tersedia untuk diunduh di model_zoo.md.

Instalasi

Harap persiapkan lingkungan dan kode dengan install.md. Kemudian ikuti instruksi dalam dataset.md untuk mengatur dataset.

Memulai

Mulailah dengan lanedetection.md untuk deteksi jalur.

Mulailah dengan segmentasi.md untuk segmentasi semantik.

Alat visualisasi

Lihat visualisasi.md untuk tutorial visualisasi & inferensi, untuk input gambar dan video.

Alat Benchmark

Lihat Benchmark.md untuk tutorial benchmarking, termasuk tes FPS, jumlah kegagalan & memori untuk setiap model yang didukung.

Penyebaran

Lihat Deploy.md untuk Dukungan Onnx dan TensorRT.

Tutorial lanjutan

Checkout Advanced_tutorial.md untuk kasus penggunaan lanjutan dan cara mengkode di pytorchautodrive.

Berkontribusi

Lihat Kontribusi.MD untuk Panduan Kontribusi.

Kutipan

Jika Anda merasa kerangka kerja ini secara substansial membantu penelitian Anda atau Anda ingin referensi saat menggunakan hasil kami, silakan kutip makalah berikut yang membuat rilis resmi 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}
}