pytorch auto driveダウンロード-Pytorch pytorch auto driveソースコードダウンロード

pytorch auto drive

パイソン

vements & regular maintenance

ダウンロード

Pytorchautodrive：自動運転の認識のためのフレームワーク

Pytorchautodriveは、 Pytorchに基づくセマンティックセグメンテーションモデル、レーン検出モデルを含む純粋なPythonフレームワークです。ここでは、研究からアプリケーション（視覚化、モデルの展開）までの研究（モデルトレーニング、テスト、公正なベンチマーク）からフルスタックサポートを提供します。

論文：曲線モデリングを介した効率的な車線検出の再考（CVPR 2022）

ポスター： Pytorchautodrive：自律運転研究のためのツールキット＆フェアベンチマーク（Pytorch Developer Day 2021）

このリポジトリはアクティブな開発中であり、アップロードされたモデルの結果は安定しています。レガシーコードユーザーの場合は、変更について非推奨を確認してください。

erfnetのデモビデオ：

demo_3.0.mp4

ハイライト

幅広いバックボーン、構成ベースの実装、変調されたコードと容易に理解されたコード、画像/キーポイントの読み込み、変換と視覚化、混合精密トレーニング、テンソルボードのロギングおよび展開サポートに関するさまざまな方法。

このリポジトリのモデルは、トレーニングが高速であり（シングルカードトレーニング可能）、多くの場合、他の実装よりも優れたパフォーマンスがあります。モデルの理由と技術的仕様については、Wikiを参照してください。

サポートされているデータセット：

タスク	データセット
セマンティックセグメンテーション	Pascal Voc 2012
セマンティックセグメンテーション	街並み
セマンティックセグメンテーション	gtav*
セマンティックセグメンテーション	シンシア*
レーン検出	culane
レーン検出	tusimple
レーン検出	ラマ
レーン検出	BDD100K（進行中）

* UDAベースラインセットアップ、Cityscapes Valが検証として設定されています。

サポートされているモデル：

タスク	バックボーン	モデル/方法
セマンティックセグメンテーション	ResNet-101	FCN
セマンティックセグメンテーション	ResNet-101	deeplabv2
セマンティックセグメンテーション	ResNet-101	deeplabv3
セマンティックセグメンテーション	-	enet
セマンティックセグメンテーション	-	erfnet
レーン検出	enet、erfnet、vgg16、resnets（18、34、50、101）、Mobilenets（V2、V3-Large）、RepVGGS（A0、A1、B0、B1G2、B2）、Swin（Tiny）	ベースライン
レーン検出	erfnet、vgg16、resnets（18、34、50、101）、repvggs（a1）	scnn
レーン検出	Resnets（18、34、50、101）、MobileNets（V2、V3-Large）、erfnet	resa
レーン検出	erfnet、enet	悲しい（延期）
レーン検出	erfnet	PRNET（進行中）
レーン検出	Resnets（18、34、50、101）、Resnet18還元	LSTR
レーン検出	resnets（18、34）	Laneatt
レーン検出	resnets（18、34）	Bézierlanenet

モデル動物園

モデル_zoo.mdでダウンロードできる堅実な結果（平均/ベスト/詳細）、トレーニング時間、シェルスクリプト、トレーニングモデルを提供します。

インストール

install.mdを使用して環境とコードを準備してください。次に、DataSet.mdの指示に従ってデータセットをセットアップします。

はじめる

レーン検出のためのlanedetection.mdを始めましょう。

セマンティックセグメンテーションのために、segmentation.mdを始めましょう。

視覚化ツール

画像とビデオの入力については、視覚化と推論のチュートリアルについては、visualization.mdを参照してください。

ベンチマークツール

サポートされている各モデルのFPSテスト、フロップ、メモリカウントなど、ベンチマークチュートリアルについては、benchmark.mdを参照してください。

展開

ONNXおよびTENSORTの展開サポートのdeploy.mdを参照してください。

高度なチュートリアル

高度なユースケースとPytorchautodriveでコーディングする方法については、advanced_tutorial.mdをチェックアウトします。

貢献

貢献ガイドについては、寄付を参照してください。

引用

このフレームワークがあなたの研究を大幅に助けたと感じた場合、または結果を使用する際に参照を必要とする場合は、Pytorchautodriveの公式リリースを行った次の論文を引用してください。

 @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}
}