前言

项目需要，做了一小段时间的车道线检测，复现了《Ultra Fast Structure-aware Deep Lane Detection》论文中的开源工程，记录到这篇博文中！

【车道线】Ultra Fast复现

前言
原理简述
模型训练复现

原理简述

在这篇论文中把车道线检测转看作行分类任务：首先设置一系列anchor，这些anchor代表y坐标值（先验信息），再由模型判断每个y值的哪一行属于车道线，获得x坐标值；最终由一些列的点（x，y）构成一条完整的车道线。更详细的论文解读可以参考原作者的博文Link。

模型训练复现

模型重训练按照作者提供的gayhub地址的参考操作流程非常快就能开启你自己的炼丹之路。
原作者定义的网络模型高达200+M，对于车道线检测任务来说这个模型太过庞大，因此需要对网络结构进行魔改，参考博文Link可以非常快速的了解这个工程，并设计专属的网络结构。
除此之外，还有非常重要的一环没有没有看到其他人做过，就是生成这个工程所需要的标签文件(以CULane数据为例)：这个工程的标签文件就是与原图分辨率一致的图像，如下图所示：
原图：

标签图：由于像素值设置太小（第0条车道线对应像素值为1、第1条车道线对应像素值为2），因此肉眼无法看出

标签可视化：

还有一个需要注意的点，本车道的左右两条车道线永远对应2和3标签
CULane数据标签制作源码，设置好root路径并提前建好文件夹即可

import os
import cv2
import numpy as nproot = "Y:/data/CULane"def draw(LabelPath, Idx):LabelImg = np.zeros((590, 1640), dtype=np.int8)if Idx == [0, 0, 0, 0]:return LabelImgelse:id = 0color = 0with open(LabelPath, 'r') as f:Pst = f.readlines()for i in range(len(Pst)):Lane = Pst[i].strip("\n").split(" ")# print(Lane)l = []for j in range(0, len(Lane) - 1, 2):px = float(Lane[j])py = float(Lane[j+1])if py < 0.:continueelse:l.append([int(px), int(py)])l = np.array(l)for k in range(id, len(Idx)):if Idx[k] != 0:color = Idx[k]breakelse:continueLabelImg = cv2.polylines(LabelImg, [l], False, color, 16)id = colorreturn LabelImgwith open(root + "/list/train_gt.txt", "r") as f:trainlist = f.readlines()for i in range(len(trainlist)):print(i)Idx = [0, 0, 0, 0]ImgPath = root + trainlist[i].split(" ")[0]LableName = trainlist[i].split(" ")[0].split("/")[-1].split(".")[0] + ".lines.txt"LabelPath = root + trainlist[i].split(" ")[0][0:-9] + LableName# print(ImgPath)# print(LabelPath)if trainlist[i].split(" ")[2] == '1':Idx[0] = 1else:Idx[0] = 0if trainlist[i].split(" ")[3] == '1':Idx[1] = 2else:Idx[1] = 0if trainlist[i].split(" ")[4] == '1':Idx[2] = 3else:Idx[2] = 0if trainlist[i].split(" ")[5].strip('\n') == '1':Idx[3] = 4else:Idx[3] = 0LabelImg = draw(LabelPath, Idx)cv2.imwrite(root + "/laneseg_label_w16" + trainlist[i].split(" ")[0][0:-4] + ".png", LabelImg)print(root + "/laneseg_label_w16" + trainlist[i].split(" ")[0][0:-4] + ".png")# print("*********************")

onnx模型导出源码

import torch
import torch.onnx
from model.model import parsingNet
from torchsummary import summary# model = torch.load("./log/all_model.pth", map_location=torch.device('cpu'))
#
# with torch.no_grad():
#     model.eval()
#     summary(model, (3,288,800))# 65,18,4仅针对我自己模型
net = parsingNet(pretrained=False, backbone="18", cls_dim=(65, 18, 4), use_aux=False).cpu()state_dict = torch.load("./out/1103/UFAST_CULane_1103.pth", map_location='cpu')['model']
compatible_state_dict = {}
for k, v in state_dict.items():if 'module.' in k:compatible_state_dict[k[7:]] = velse:compatible_state_dict[k] = v
net.load_state_dict(state_dict)    # 加载模型
net.eval()dummy_input = torch.randn(1, 3, 288, 800, device='cpu')torch.onnx.export(net, dummy_input, "./out/1103/UFAST_1103.onnx", verbose=True, input_names=["input"], output_names=["output"])

下篇文章会详细介绍如何基于ncnn使用该模型，OVER！

Ultra Fast车道线检测复现相关推荐

车道线检测:ultra fast lane detection + 车道保持
车道线检测 ECCV2020年的一篇车道线检测论文,花了两天把这个跑通了. 作者源码地址:https://github.com/cfzd/Ultra-Fast-Lane-Detection 逛B站发现 ...
基于深度强化学习的车道线检测和定位（Deep reinforcement learning based lane detection and localization）论文解读+代码复现
之前读过这篇论文,导师说要复现,这里记录一下.废话不多说,再重读一下论文. 注:非一字一句翻译.个人理解,一定偏颇. 基于深度强化学习的车道检测和定位官方源码下载:https://github.co ...
传统车道线检测项目学习总结（附源码，复现日志与github链接）
传统车道线检测 Advanced_Lane_Detection项目的复现,更换了其中的数据,修改了相应脚本,添加了可视化功能.话不多说,直接上图显示效果. 文章目录传统车道线检测环境要求项目流程 ...
ECCV2020｜超快的车道线检测，代码模型已开源
作者|cfzd 来源|https://zhuanlan.zhihu.com/p/157530787 很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作:一种超快速的车道线检测算法(Ult ...
车道线检测综述及新工作汇总
编辑丨3D视觉工坊车道线检测综述及近期新工作--为ADAS.自动驾驶服务. 部分视频效果展示: https://www.bilibili.com/video/BV1E54y1V7G4 https:/ ...
【车道线检测】一种基于神经网络+结构约束的车道线检测方法
标题:Ultra Fast Structure-aware Deep Lane Detection(ECCV 2020) 代码地址:在公众号「3D视觉工坊」,后台回复「车道线检测」,即可直接下载亮点 ...
动手学无人驾驶（7）：车道线检测
最近在研究视觉语义地图,需要进行车道线检测,发现这篇车道线检测论文效果蛮好的 (Ultra Fast Structure-aware Deep Lane Detection).论文作者在知乎上已经介绍 ...
ECCV 2020 ｜超快的车道线检测
本文转载自知乎,已获作者授权转载. 链接:https://zhuanlan.zhihu.com/p/157530787 很高兴和大家分享一下我们刚刚被 ECCV 2020 接收的新工作:一种超快速的车 ...
车道线检测综述及近期新工作
车道线检测综述及近期新工作--为ADAS.自动驾驶服务. 部分视频效果展示: https://www.bilibili.com/video/BV1E54y1V7G4 https://www.bilib ...

Ultra Fast车道线检测复现

前言

【车道线】Ultra Fast复现

原理简述

模型训练复现

Ultra Fast车道线检测复现相关推荐

最新文章

热门文章