Codes for Lane Detection

Codes for Lane Detection

파이썬

1.0.0

다운로드

"자기주의 증류에 의한 경량 차선 탐지 CNN 학습"코드

이 repo에는 또한 "교통 장면 이해를위한 공간 : 공간 CNN"의 텐서 플로 구현이 포함되어 있습니다. (scnn-tensorflow)

소식

Erfnet-Culane-Pytorch가 출시되었습니다. (Culane 테스트 세트에서 73.1 F1 측정을 달성 할 수 있습니다)
ENET-LABEL-TORCH, ENET-TUSIMPLE-TORCH 및 ENET-BDD100K-TORCH가 출시되었습니다.

주요 기능 :

(1) ENET-LABEL은 ENET을 기반으로 한 가벼운 차선 탐지 모델이며 자기주의 증류를 채택합니다 (자세한 내용은 본 논문에서 찾을 수 있음).

(2) 최신 SCNN에 비해 20 × 더 적은 매개 변수를 가지며 10 × 더 빠르게 실행되며 Culane 테스트 세트에서 72.0 (F1- 측정)을 달성합니다 (SCNN보다 71.6을 달성). 또한 Tusimple 테스트 세트에서 96.64%의 정확도를 달성합니다 (SCNN보다 96.53%를 달성하는 SCNN보다 우수함) 및 BDD100K 테스트 세트 (SCNN보다 35.79%를 달성하여 36.56% 정확도).

(3) LLAMAS 데이터 세트에 ENET-SAD를 적용하면 멀티 클래스 레인 마커 세그먼테이션 작업에서 0.635 맵을 생산하며, 이는 0.500 맵을 달성하는 기준 알고리즘보다 훨씬 좋습니다. 세부 사항은이 리포지토리에서 찾을 수 있습니다.

(우리 모델을 시도하기 위해 망설이지 마십시오 !!!)

멀티 GPU 교육이 지원되었습니다. Global_config.py에서 batch_size 및 gpu_num을 변경 한 다음 CUDA_VISIBLE_DEVICES="0,1,2,3" python file_name.py 사용하십시오. 감사합니다 @ yujincheng08.

콘텐츠

설치
데이터 세트
- 엄니
- CULANE
- BDD100K
SCNN-Tensorflow
- 시험
- 기차
성능
기타
- 소환
- 승인
- 연락하다

설치

필요한 패키지 설치 :

    conda create -n tensorflow_gpu pip python=3.5
    source activate tensorflow_gpu
    pip install --upgrade tensorflow-gpu==1.3.0
    pip3 install -r SCNN-Tensorflow/lane-detection-model/requirements.txt

VGG-16 다운로드 :

여기에서 vgg.npy를 다운로드하여 scnn-tensorflow/lane-detection-model/data에 넣으십시오.

테스트를위한 미리 훈련 된 모델 :

여기에서 미리 훈련 된 모델을 다운로드하십시오.

데이터 세트

엄니

Tusimple 테스트 세트의 지상 진실 레이블은 이제 Tusimple에서 사용할 수 있습니다. 주석이 달린 교육 (#Frame = 3268) 및 유효성 검사 레이블 (#Frame = 358)은 여기에서 찾을 수 있습니다. TRAIN_LANENET.PY의 TRAIN_GT.TXT 및 VAL_GT.TXT를 대체하려면 (List-Name.txt)를 사용하십시오. 또한 이미지를 288 x 800 대신 256 x 512로 크기를 조정해야합니다. 행과 열의 최대 인덱스를 변경해야하며 자세한 설명은 여기에서 볼 수 있습니다. 라벨 과이 스크립트를 사용하여 Pred.json을 평가하십시오. 게다가 Pred.json을 생성하려면이 문제를 참조 할 수 있습니다.

CULANE

전체 데이터 세트는 Culane에서 사용할 수 있습니다.

BDD100K

전체 데이터 세트는 BDD100K에서 사용할 수 있습니다.

SCNN-Tensorflow

시험

 cd SCNN-Tensorflow/lane-detection-model
CUDA_VISIBLE_DEVICES="0" python tools/test_lanenet.py --weights_path path/to/model_weights_file --image_path path/to/image_name_list --save_dir to_be_saved_dir

Path/to/image_name_list는 test_img.txt와 같아야합니다. 이제 모델에서 확률 맵을 얻습니다. 최종 성능을 얻으려면 SCNN을 따라 확률 맵에서 곡선 라인을 얻고 정밀도, 리콜 및 F1 측정을 계산해야합니다.

알림 : 이미지 경로의 처리가 올바른지 확인하려면 lanenet_data_processor.py 및 lanenet_data_processor_test.py를 확인해야합니다. 이미지 경로 목록에서 절대 경로를 사용하는 것이 좋습니다. 게다가이 코드는 일관되게 훈련 및 테스트에 사용되는 배치 크기가 필요합니다. 테스트 단계에서 임의의 배치 크기를 활성화하려면이 문제를 참조하십시오.

기차

 CUDA_VISIBLE_DEVICES="0" python tools/train_lanenet.py --net vgg --dataset_dir path/to/CULane-dataset/

Path/to/Culane-Dataset/에는 Train_gt.txt 및 Val_gt.txt와 같은 파일이 포함되어야합니다.

성능

Tusimple 테스트 세트 :

모델	정확성	FP	FN
scnn-torch	96.53%	0.0617	0.0180
SCNN-Tensorflow	-	-	-
Enet-Label-Torch	96.64%	0.0602	0.0205

미리 훈련 된 테스트 모델은 여기에 있습니다. (곧 출시 될!) Tusimple에서 SCNN-Torch는 RESNET-101을 기반으로하며 SCNN-Tensorflow는 VGG-16을 기반으로합니다. Culane 및 BDD100K에서 SCNN-TORCH 및 SCNN- 텐소 플로우는 VGG-16을 기반으로합니다.

Culane 테스트 세트 (F1- 측정) :

범주	scnn-torch	SCNN-Tensorflow	Enet-Label-Torch	Erfnet-Culane-Pytorch
정상	90.6	90.2	90.7	91.5
붐비는	69.7	71.9	70.8	71.6
밤	66.1	64.6	65.9	67.1
라인이 없습니다	43.4	45.8	44.7	45.1
그림자	66.9	73.8	70.6	71.3
화살	84.1	83.8	85.8	87.2
눈부신 빛	58.5	59.5	64.4	66.0
곡선	64.4	63.4	65.4	66.3
십자로	1990	4137	2729	2199
총	71.6	71.3	72.0	73.1
런타임 (MS)	133.5	-	13.4	10.2
매개 변수 (m)	20.72	-	0.98	2.49

미리 훈련 된 테스트 모델은 여기에 있습니다. Test_lanenet.py에서 VGG-MEAN의 순서를 교환하고 입력 이미지 순서를 RGB에서 BGR로 변경해야합니다. 이 문제를 참조하여 성능을 향상시킬 수 있습니다.

BDD100K 테스트 세트 :

모델	정확성	iou
scnn-torch	35.79%	15.84
SCNN-Tensorflow	-	-
Enet-Label-Torch	36.56%	16.02

차선 픽셀의 정확도와 IOU가 계산됩니다. 미리 훈련 된 테스트 모델은 여기에 있습니다. (곧 올!)

기타

소환

코드를 사용하는 경우 다음 간행물을 인용하십시오.

 @article{hou2019learning,
  title={Learning Lightweight Lane Detection CNNs by Self Attention Distillation},
  author={Hou, Yuenan and Ma, Zheng and Liu, Chunxiao and Loy, Chen Change},
  journal={arXiv preprint arXiv:1908.00821},
  year={2019}
}

@inproceedings{pan2018SCNN,  
  author = {Xingang Pan, Jianping Shi, Ping Luo, Xiaogang Wang, and Xiaoou Tang},  
  title = {Spatial As Deep: Spatial CNN for Traffic Scene Understanding},  
  booktitle = {AAAI Conference on Artificial Intelligence (AAAI)},  
  month = {February},  
  year = {2018}  
}

@misc{hou2019agnostic,
    title={Agnostic Lane Detection},
    author={Yuenan Hou},
    year={2019},
    eprint={1905.03704},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}