Скачать pytorch auto drive - pytorch auto drive Source Code скачать

pytorch auto drive

Питон

vements & regular maintenance

Скачать

PytorChautodrive: структура для самостоятельного вождения

PytorChautodrive - это Pure Python Framework, включающая семантические модели сегментации, модели обнаружения полосы движения на основе Pytorch . Здесь мы предоставляем полную поддержку стека из исследований (обучение модели, тестирование, справедливое сравнительный анализ, просто написание конфигураций) для приложения (визуализация, развертывание модели).

Бумага: Переосмысление эффективного обнаружения полосы движения с помощью моделирования кривой (CVPR 2022)

Плакат: PytorChautodrive: Toolkit & Fair Clackmark для исследования автономного вождения (День разработчика Pytorch 2021)

Этот репозиторий находится в активной разработке, результаты с загруженными моделями стабильны. Для пользователей устаревшего кода, пожалуйста, проверьте течение за изменениями.

Демонстрационное видео от Erfnet:

DEMO_3.0.mp4

Основные моменты

Различные методы на широком диапазоне магистралей, реализаций на основе конфигурации , модулированных и легко понятных кодов, загрузки изображений/клавиш, преобразований и визуализаций , смешанной точной тренировки , поддержки регистрации и развертывания Tensorboard с помощью ONNX и Tensorrt.

Модели из этого репо быстрее тренируются ( однократная обучение ) и часто имеют лучшую производительность, чем другие реализации, см. Вики по причинам и технической спецификации моделей.

Поддерживаемые наборы данных:

Задача	Набор данных
Семантическая сегментация	Pascal VOC 2012
Семантическая сегментация	Городские пейзажи
Семантическая сегментация	Gtav*
Семантическая сегментация	Синтия*
Обнаружение полосы движения	Кулан
Обнаружение полосы движения	Тусимпл
Обнаружение полосы движения	Ламас
Обнаружение полосы движения	BDD100K ( в процессе )

* Базовая установка UDA, с CityScapes Val, установленной в качестве проверки.

Поддерживаемые модели:

Задача	Магистраль	Модель/метод
Семантическая сегментация	Resnet-101	FCN
Семантическая сегментация	Resnet-101	DeepLabv2
Семантическая сегментация	Resnet-101	DeepLabv3
Семантическая сегментация	-	Энет
Семантическая сегментация	-	Erfnet
Обнаружение полосы движения	ENET, ERFNET, VGG16, Resnets (18, 34, 50, 101), Mobilenets (V2, V3-Large), Repvggs (A0, A1, B0, B1G2, B2), SWIN (крошечный)	Базовый уровень
Обнаружение полосы движения	Erfnet, VGG16, Resnets (18, 34, 50, 101), Repvggs (A1)	Scnn
Обнаружение полосы движения	Resnets (18, 34, 50, 101), Mobilenets (V2, V3-Large), Erfnet	Ресса
Обнаружение полосы движения	Erfnet, Enet	Грустно ( отложено )
Обнаружение полосы движения	Erfnet	Prnet ( в процессе )
Обнаружение полосы движения	Resnets (18, 34, 50, 101), Resnet18-Reduced	LSTR
Обнаружение полосы движения	Resnets (18, 34)	LANEATT
Обнаружение полосы движения	Resnets (18, 34)	Bézierlanenet

Модельный зоопарк

Мы предоставляем солидные результаты (среднее/лучшее/подробное), время обучения, сценарии оболочки и обученные модели, доступные для загрузки в model_zoo.md.

Установка

Пожалуйста, подготовьте среду и код с помощью install.md. Затем следуйте инструкциям в DataSet.md для настройки наборов данных.

Начиная

Начните с lanedetection.md для обнаружения полосы движения.

Начните с сегментацией.md для семантической сегментации.

Инструменты визуализации

Обратитесь к визуализации.md для учебника по визуализации и выводу для изображений и видео входов.

Контрольные инструменты

Обратитесь к Benchmark.md для учебного пособия по сравнению с тестированием FPS, Flops & Count Memory для каждой поддерживаемой модели.

Развертывание

Обратитесь к Deploy.md для поддержки развертывания ONNX и Tensorrt.

Усовершенствованный учебник

Checkout Advanced_Tutorial.md для расширенных вариантов использования и того, как кодировать в PytorChautodrive.

Внося

Обратитесь к Appling.md для руководств взносов.

Цитирование

Если вы чувствуете, что эта структура существенно помогла вашему исследованию, или вам нужна ссылка при использовании наших результатов, пожалуйста, укажите следующую статью, которая сделала официальный выпуск 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}
}