Ultra Fast Lane Detection下载 - Ultra Fast Lane Detection源代码下载

Ultra Fast Lane Detection

Python

1.0.0

下载

超快速车道检测

Pytorch实施本文“超快速结构意识到的深车道检测”。

[2022年7月18日]更新：我们方法的新版本已被TPAMI 2022接受。代码可在此处找到。

[2021年6月28日]更新：我们将发布一个扩展版本，与ECCV版本相比，使用RESNET-18骨干链提高了Culane的6.3点F1。

更新：我们的论文已被ECCV2020接受。

alt text

评估代码是根据SCNN和Tusimple基准修改的。

Caffe模型和原始版本可以在此处找到。

演示

安装

请参阅install.md

开始

首先，请根据您的环境修改configs/culane.py或configs/tusimple.py中的data_root和log_path 。

data_root是您的Culane数据集或Tusimple数据集的路径。
log_path是存储张板日志，训练的模型和代码备份的地方。它应该放在该项目之外。

对于单个GPU培训，请运行

python train.py configs/path_to_your_config

进行多GPU培训，运行

sh launch_training.sh

或者

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

如果没有验证的火炬模型，则多GPU培训可能会导致多次下载。您可以首先手动下载相应的型号，然后重新启动多GPU培训。

由于我们的代码具有自动备份功能，该功能将根据Gitignore将所有代码复制到log_path ，因此，如果Gitignore未过滤，也可能会复制其他临时文件，如果TEMP文件较大，则可能会阻止执行。因此，您应该保持工作目录清洁。

除了配置样式设置外，我们还支持命令行样式一号。您可以覆盖像

python train.py configs/path_to_your_config --batch_size 8

在培训期间，将batch_size为8。

要使用张板可视化日志，请运行

tensorboard --logdir log_path --bind_all

训练有素的模型

我们在Culane和Tusimple上提供了两种训练有素的RES-18型号。

数据集	公制纸	公制此存储库	GTX上的AVG FPS 1080TI	模型
塔西姆普	95.87	95.82	306	Googlerive/baidudrive（代码：bghd）
Culane	68.4	69.7	324	Googlerive/baidudrive（代码：W9TW）

进行评估，运行

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

与培训一样，也支持多GPU评估。

可视化

我们提供一个脚本来可视化检测结果。运行以下命令以在Culane和Tusimple的测试集上可视化。

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

由于未订购Tusimple的测试集，因此可视化的视频可能看起来很糟糕，我们不建议这样做。

速度

要测试运行时，请运行

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

它将循环100次，并计算环境中的平均运行时和FPS。

引用

 @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 }
}