Ultra Fast Lane Detection下載 - Ultra Fast Lane Detection源代碼下載

Ultra Fast Lane Detection

Python

1.0.0

下載

超快速車道檢測

Pytorch實施本文“超快速結構意識到的深車道檢測”。

[2022年7月18日]更新：我們方法的新版本已被TPAMI 2022接受。代碼可在此處找到。

[2021年6月28日]更新：我們將發布一個擴展版本，與ECCV版本相比，使用RESNET-18骨幹鏈提高了Culane的6.3點F1。

更新：我們的論文已被ECCV2020接受。

alt text

評估代碼是根據SCNN和Tusimple基準修改的。

Caffe模型和原始版本可以在此處找到。

演示

安裝

請參閱install.md

開始

首先，請根據您的環境修改configs/culane.py或configs/tusimple.py中的data_root和log_path 。

data_root是您的Culane數據集或Tusimple數據集的路徑。
log_path是存儲張板日誌，訓練的模型和代碼備份的地方。它應該放在該項目之外。

對於單個GPU培訓，請運行

python train.py configs/path_to_your_config

進行多GPU培訓，運行

sh launch_training.sh

或者

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

如果沒有驗證的火炬模型，則多GPU培訓可能會導致多次下載。您可以首先手動下載相應的型號，然後重新啟動多GPU培訓。

由於我們的代碼具有自動備份功能，該功能將根據Gitignore將所有代碼複製到log_path ，因此，如果Gitignore未過濾，也可能會復制其他臨時文件，如果TEMP文件較大，則可能會阻止執行。因此，您應該保持工作目錄清潔。

除了配置樣式設置外，我們還支持命令行樣式一號。您可以覆蓋像

python train.py configs/path_to_your_config --batch_size 8

在培訓期間，將batch_size為8。

要使用張板可視化日誌，請運行

tensorboard --logdir log_path --bind_all

訓練有素的模型

我們在Culane和Tusimple上提供了兩種訓練有素的RES-18型號。

數據集	公製紙	公制此存儲庫	GTX上的AVG FPS 1080TI	模型
塔西姆普	95.87	95.82	306	Googlerive/baidudrive（代碼：bghd）
Culane	68.4	69.7	324	Googlerive/baidudrive（代碼：W9TW）

進行評估，運行

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

與培訓一樣，也支持多GPU評估。

可視化

我們提供一個腳本來可視化檢測結果。運行以下命令以在Culane和Tusimple的測試集上可視化。

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

由於未訂購Tusimple的測試集，因此可視化的視頻可能看起來很糟糕，我們不建議這樣做。

速度

要測試運行時，請運行

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

它將循環100次，併計算環境中的平均運行時和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 }
}