ดาวน์โหลด Ultra Fast Lane Detection - ดาวน์โหลดซอร์สโค้ด Ultra Fast Lane Detection

Ultra Fast Lane Detection

หลาม

1.0.0

ดาวน์โหลด

การตรวจจับเลนเร็วเป็นพิเศษ

การใช้งาน Pytorch ของกระดาษ

[18 กรกฎาคม 2022] การอัปเดต: เวอร์ชันใหม่ของวิธีการของเราได้รับการยอมรับโดย TPAMI 2022 รหัสมีอยู่ที่นี่

[28 มิถุนายน 2021] การอัปเดต: เราจะเปิดตัวรุ่นขยายซึ่งปรับปรุง 6.3 คะแนนของ F1 บน Culane ด้วย Backbone Resnet-18 เมื่อเทียบกับรุ่น ECCV

การอัปเดต: บทความของเราได้รับการยอมรับจาก ECCV2020

alt text

รหัสการประเมินได้รับการแก้ไขจากมาตรฐาน SCNN และ Tusimple

โมเดลคาเฟอีนและ prototxt สามารถพบได้ที่นี่

การสาธิต

ติดตั้ง

โปรดดู install.md

เริ่มต้นใช้งาน

ก่อนอื่นโปรดแก้ไข data_root และ log_path ใน configs/culane.py หรือ configs/tusimple.py config ตามสภาพแวดล้อมของคุณ

data_root เป็นเส้นทางของชุดข้อมูล Culane หรือชุดข้อมูล Tusimple ของคุณ
log_path เป็นที่ที่บันทึก Tensorboard โมเดลที่ผ่านการฝึกอบรมและการสำรองข้อมูลรหัสจะถูกเก็บไว้ ควรวางไว้นอกโครงการนี้

สำหรับการฝึกอบรม GPU เดี่ยววิ่ง

python train.py configs/path_to_your_config

สำหรับการฝึกอบรมหลาย GPU Run

sh launch_training.sh

หรือ

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

หากไม่มีรูปแบบ Torchvision ที่ผ่านการฝึกอบรมการฝึกอบรมหลาย GPU อาจส่งผลให้มีการดาวน์โหลดหลายครั้ง คุณสามารถดาวน์โหลดรุ่นที่เกี่ยวข้องได้ด้วยตนเองก่อนจากนั้นเริ่มการฝึกอบรมแบบหลาย GPU

เนื่องจากรหัสของเรามีฟังก์ชั่นการสำรองข้อมูลอัตโนมัติซึ่งจะคัดลอกรหัสทั้งหมดไปยัง log_path ตาม gitignore ไฟล์อุณหภูมิเพิ่มเติมอาจถูกคัดลอกหากไม่ได้กรองโดย gitignore ซึ่งอาจบล็อกการดำเนินการหากไฟล์ TEMP มีขนาดใหญ่ ดังนั้นคุณควรรักษาไดเรกทอรีการทำงานให้สะอาด

นอกเหนือจากการตั้งค่าสไตล์การกำหนดค่าแล้วเรายังรองรับรูปแบบบรรทัดคำสั่งหนึ่ง คุณสามารถแทนที่การตั้งค่าเช่น

python train.py configs/path_to_your_config --batch_size 8

batch_size จะถูกตั้งค่าเป็น 8 ระหว่างการฝึกอบรม

หากต้องการแสดงภาพบันทึกด้วย tensorboard ให้เรียกใช้

tensorboard --logdir log_path --bind_all

โมเดลที่ผ่านการฝึกอบรม

เราให้บริการ RES-18 ที่ผ่านการฝึกอบรมสองแบบบน Culane และ Tusimple

ชุดข้อมูล	กระดาษเมตริก	เมตริก repo นี้	AVG FPS บน GTX 1080TI	แบบอย่าง
tusimple	95.87	95.82	306	GoogleDrive/Baidudrive (รหัส: BGHD)
มังกร	68.4	69.7	324	googledrive/baidudrive (รหัส: w9tw)

สำหรับการประเมินผล

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

เช่นเดียวกับการฝึกอบรมการประเมินผลหลาย GPU ยังได้รับการสนับสนุน

การแสดงภาพ

เราให้สคริปต์เพื่อแสดงภาพผลการตรวจจับ เรียกใช้คำสั่งต่อไปนี้เพื่อให้เห็นภาพในชุดการทดสอบของ Culane และ 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

เนื่องจากชุดทดสอบของ Tusimple ไม่ได้รับคำสั่งวิดีโอที่มองเห็นอาจดูไม่ดีและเรา ไม่แนะนำให้ ทำสิ่งนี้

ความเร็ว

เพื่อทดสอบรันไทม์โปรดเรียกใช้

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

มันจะวนซ้ำ 100 ครั้งและคำนวณรันไทม์เฉลี่ยและ FPS ในสภาพแวดล้อมของคุณ

การอ้างอิง

 @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 }
}