[!IMPORTANT] 🌟 请访问 opendrivelab.com 获取最新动态！

OpenLane-V1

OpenLane 是目前首个真实世界、规模最大的 3D 车道线（lane）数据集。我们的数据集基于 公开感知数据集 构建，为 1000 个片段提供了车道线及路径最近物体（CIPO, Closest-In-Path Object）的标注。简而言之，OpenLane 包含 20 万 帧图像和超过 88 万 条精心标注的车道线。我们已公开发布 OpenLane 数据集，以助力研究社区在 3D 感知与自动驾驶技术方面取得进展。详情请参见 论文。

本仓库结构如下：

• 快速开始
  • 下载
  • 评估工具包
• 数据
  • 车道线标注
  • CIPO/场景标注
• 基准测试与排行榜
  • 基准测试
  • 排行榜
• 引用
• 许可证

注意：我们的 OpenLane 是一个自动驾驶数据集，而另一个同名仓库 The-OpenROAD-Project/OpenLane 与此无关。

新闻

• [2023/03]：我们发布了全新的场景理解数据集，并正在举办相关挑战赛，欢迎访问 OpenLane-V2 和 挑战赛官网 :star:。
• [2023/03]：我们已在 paperswithcode 维护排行榜 :microphone:。
• [2022/11]：我们发布了 OpenLane 数据集 v1.2 版本，主要更新包括：
  • 为序列化研究添加帧位姿（frame pose）信息。
  • 过滤部分噪声点 并 修复坐标系错误。
• [2022/09]：更新评估指标，在评估前根据可见性对真值（gt）点进行剪枝，修复了问题 A question about prune_3d_lane_by_visibility。
• [2022/07]：我们发布了 OpenLane 数据集 v1.1 版本，修复了 3D 车道线评估问题 及部分 JSON 文件不匹配的问题。
• [2022/04]：我们发布了 PersFormer 代码库 v1.0，为 OpenLane 数据集提供了一个基线方法。
• [2022/03]：我们发布了 OpenLane 数据集 v1.0，包含 1000 个片段，带有 3D/2D 车道线及 CIPO/场景的标注。

快速开始

请按照以下步骤熟悉 OpenLane 数据集。如需更多信息，请提交 issue。

下载

您可以在此下载完整的 OpenLane 数据集。请注意，由于 OpenLane 基于 Waymo Open Dataset 构建，在使用前您需在 Waymo Open Dataset 官网 注册并同意其使用条款。

评估工具包

我们提供了针对车道线和 CIPO 的评估工具，遵循与 Waymo 相同的数据格式以及 2D/3D 车道线检测中通用的评估流程。详情请参考 评估工具包说明。

数据

OpenLane 数据集构建于自动驾驶领域的主流数据集之上。在 v1.0 中，我们基于 Waymo Open Dataset 发布了标注数据。未来我们还将为 nuScenes 提供标注。

OpenLane 数据集聚焦于车道线检测及 CIPO。我们标注了每一帧中的所有车道线，包括在无路缘隔离的情况下对向车道的车道线。除车道线检测任务外，我们还标注了：(a) 场景标签，如天气和地点；(b) CIPO（路径最近物体），即相对于自车（ego vehicle）最需关注的目标；此类标签对于后续的规划/控制模块具有实际意义，而不仅限于感知模块输出的完整物体集合。坐标系 的说明请参见此处。

车道线标注

我们采用以下格式标注车道线：

• 车道线形状：每条 2D/3D 车道线表示为一组 2D/3D 点。
• 车道线类别：每条车道线具有类别，例如双黄线或路缘（curb）。
• 车道线属性：部分车道线具有方向属性，如“右”、“左”。
• 车道线跟踪 ID：除路缘外，每条车道线均具有唯一 ID。

更多标注准则请参考 车道线标注规范。

CIPO/场景标注

我们采用以下格式标注 CIPO 和场景：

• 2D 边界框：附带表示物体重要性级别的类别。
• 场景标签：描述该帧采集时所处的场景。
• 天气标签：描述该帧采集时的天气状况。
• 时间标签：标注该帧采集的时间段。

更多标注准则请参考 CIPO 标注规范。

基准测试与排行榜

基准测试（Benchmark）

我们提供了在 OpenLane 2D/3D 车道线检测任务上的初步基准测试结果，欢迎通过 Pull Request 提交您的工作！为了全面评估模型性能，我们将整个验证集划分为多种场景：上坡与下坡（Up&Down）、弯道（Curve）、极端天气（Extreme Weather）、夜间（Night）、交叉路口（Intersection）以及车道合并与分叉（Merge&Split）。更多细节请参见 车道标注标准（Lane Anno Criterion）。

基于 车道评估指标（Lane Eval Metric），不同 2D/3D 方法在各类场景下的结果（F-Score）如下所示：

• 2D 车道线检测

方法（Method）	全部（All）	上坡与 下坡（Up& Down）	弯道（Curve）	极端 天气（Extreme Weather）	夜间（Night）	交叉路口（Intersection）	合并与 分叉（Merge& Split）
LaneATT-S	28.3	25.3	25.8	32.0	27.6	14.0	24.3
LaneATT-M	31.0	28.3	27.4	34.7	30.2	17.0	26.5
PersFormer	42.0	40.7	46.3	43.7	36.1	28.9	41.2
CondLaneNet-S	52.3	55.3	57.5	45.8	46.6	48.4	45.5
CondLaneNet-M	55.0	58.5	59.4	49.2	48.6	50.7	47.8
CondLaneNet-L	59.1	62.1	62.9	54.7	51.0	55.7	52.3

• 3D 车道线检测

方法（Method）	版本（Version）	全部（All）	上坡与 下坡（Up & Down）	弯道（Curve）	极端 天气（Extreme Weather）	夜间（Night）	交叉路口（Intersection）	合并与 分叉（Merge& Split）	最佳模型（Best model）	x-c	x-f	z-c	z-f	类别准确率（Category Accuracy）
GenLaneNet	1.1	32.3	25.4	33.5	28.1	18.7	21.4	31.0	model	0.593	0.494	0.140	0.195	/
3DLaneNet	1.1	44.1	40.8	46.5	47.5	41.5	32.1	41.7	-	-	-	-	-	-
PersFormer	1.1	50.5	45.6	58.7	54.0	50.0	41.6	53.1	model	0.319	0.325	0.112	0.141	89.51
PersFormer	1.2	52.9	47.5	58.4	51.8	47.4	42.1	50.9	model	0.291	0.294	0.080	0.116	89.24

PersFormer 的实现代码可在此处找到：https://github.com/OpenDriveLab/PersFormer_3DLane。

排行榜（Leaderboard）

为便于比较，我们在 paperswithcode 上提供了排行榜。

引用（Citation）

引用 OpenLane 时，请使用以下 BibTeX：

    @inproceedings{chen2022persformer,
      title={PersFormer: 3D Lane Detection via Perspective Transformer and the OpenLane Benchmark},
      author={Chen, Li and Sima, Chonghao and Li, Yang and Zheng, Zehan and Xu, Jiajie and Geng, Xiangwei and Li, Hongyang and He, Conghui and Shi, Jianping and Qiao, Yu and Yan, Junchi},
      booktitle={European Conference on Computer Vision (ECCV)},
      year={2022}
    }

许可证（License）

本数据集基于 Waymo 开放数据集（Waymo Open Dataset） 构建，因此数据遵循 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议（Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License） 以及 Waymo 非商业用途数据集许可协议（2019 年 8 月版） 发布。您可以自由地分享和改编这些数据，但必须给予适当署名，且不得用于商业目的。

本仓库中的所有代码均采用 Apache License 2.0 许可。

OpenLane 快速上手指南

⚠️ 注意：OpenLane 是一个用于自动驾驶的 3D 车道线数据集，并非芯片设计工具。请勿与 The-OpenROAD-Project/OpenLane 混淆。

环境准备

• 操作系统：Linux（推荐 Ubuntu 18.04/20.04）
• Python 版本：≥ 3.7
• 依赖项：
  • 需先注册并同意 Waymo Open Dataset 使用条款
  • 建议使用 conda 或 virtualenv 创建独立环境
• 存储空间：数据集约数百 GB，请确保有足够磁盘空间

安装步骤

1. 克隆仓库：

   git clone https://github.com/OpenDriveLab/OpenLane.git
   cd OpenLane
   

2. 安装评估工具依赖（可选，用于评测）：

   pip install -r eval/requirements.txt
   

3. 下载数据集：

   • 访问 data/README.md 获取下载链接
   • 国内用户建议：通过 Waymo 官网下载后，使用阿里云、百度网盘等第三方渠道加速（官方未提供国内镜像）

📌 提示：使用数据前必须在 Waymo Open Dataset 网站 注册并同意许可协议。

基本使用

1. 查看数据结构

数据以 JSON 格式标注，每帧包含车道线、CIPO（最近路径物体）、场景标签等信息：

{
  "lane_lines": [
    {
      "id": 101,
      "category": "double yellow",
      "xyz": [[x1,y1,z1], [x2,y2,z2], ...],
      "uv": [[u1,v1], [u2,v2], ...]
    }
  ],
  "cipo": { "bbox_2d": [x1,y1,x2,y2], "category": "car" },
  "scene_tags": ["urban", "daytime", "clear"]
}

2. 运行评估示例

假设已有模型预测结果 pred.json，可使用官方评估工具：

python eval/LANE_evaluation/eval.py \
  --gt_dir /path/to/gt_annotations \
  --pred_dir /path/to/pred.json \
  --eval_mode 3d

3. 可视化（可选）

参考仓库中的 visualize/ 目录脚本，或使用官方基线模型 PersFormer 进行推理与可视化。

---

✅ 更多细节请查阅：

• 数据格式说明
• 评估指标文档
• 最新榜单