LaneDet

简介

LaneDet 是一个基于 PyTorch（深度学习框架）的开源车道线检测（Lane Detection）工具箱，旨在整合各种最先进的（State-of-the-Art, SOTA）车道线检测模型。开发者可以复现这些 SOTA 方法，并在此基础上构建自己的方法。

目录

• 简介
• 基准测试与模型库
• 安装
• 快速开始
• 贡献
• 许可证
• 致谢

基准测试与模型库

支持的骨干网络（Backbones）:

• ResNet (残差网络)
• ERFNet
• VGG
• MobileNet
• [] DLA(coming soon)

支持的检测器（Detectors）:

• SCNN
• UFLD
• RESA
• LaneATT
• CondLane
• [] CLRNet(coming soon)

安装

Clone this repository

git clone https://github.com/turoad/lanedet.git

We call this directory as $LANEDET_ROOT

Create a conda virtual environment and activate it (conda is optional)

conda create -n lanedet python=3.8 -y
conda activate lanedet

Install dependencies

# Install pytorch firstly, the cudatoolkit version should be same in your system.

conda install pytorch==1.8.0 torchvision==0.9.0 cudatoolkit=10.1 -c pytorch

# Or you can install via pip
pip install torch==1.8.0 torchvision==0.9.0

# Install python packages
python setup.py build develop

Data preparation

CULane

Download CULane. Then extract them to $CULANEROOT. Create link to data directory.

cd $LANEDET_ROOT
mkdir -p data
ln -s $CULANEROOT data/CULane

For CULane, you should have structure like this:

$CULANEROOT/driver_xx_xxframe    # data folders x6
$CULANEROOT/laneseg_label_w16    # lane segmentation labels
$CULANEROOT/list                 # data lists

Tusimple

Download Tusimple. Then extract them to $TUSIMPLEROOT. Create link to data directory.

cd $LANEDET_ROOT
mkdir -p data
ln -s $TUSIMPLEROOT data/tusimple

For Tusimple, you should have structure like this:

$TUSIMPLEROOT/clips # data folders
$TUSIMPLEROOT/lable_data_xxxx.json # label json file x4
$TUSIMPLEROOT/test_tasks_0627.json # test tasks json file
$TUSIMPLEROOT/test_label.json # test label json file

For Tusimple, the segmentation annotation is not provided, hence we need to generate segmentation from the json annotation.

python tools/generate_seg_tusimple.py --root $TUSIMPLEROOT
# this will generate seg_label directory

快速开始

Training

For training, run

python main.py [configs/path_to_your_config] --gpus [gpu_ids]

For example, run

python main.py configs/resa/resa50_culane.py --gpus 0

Testing

For testing, run

python main.py [configs/path_to_your_config] --validate --load_from [path_to_your_model] [gpu_num]

For example, run

python main.py configs/resa/resa50_culane.py --validate --load_from culane_resnet50.pth --gpus 0

Currently, this code can output the visualization result when testing, just add --view. We will get the visualization result in work_dirs/xxx/xxx/visualization.

For example, run

python main.py configs/resa/resa50_culane.py --validate --load_from culane_resnet50.pth --gpus 0 --view

Inference

See tools/detect.py for detailed information.

python tools/detect.py --help

usage: detect.py [-h] [--img IMG] [--show] [--savedir SAVEDIR]
                 [--load_from LOAD_FROM]
                 config

positional arguments:
  config                The path of config file

optional arguments:
  -h, --help            show this help message and exit
  --img IMG             The path of the img (img file or img_folder), for
                        example: data/*.png
  --show                Whether to show the image
  --savedir SAVEDIR     The root of save directory
  --load_from LOAD_FROM
                        The path of model

To run inference on example images in ./images and save the visualization images in vis folder:

python tools/detect.py configs/resa/resa34_culane.py --img images\
          --load_from resa_r34_culane.pth --savedir ./vis

贡献

我们欢迎所有有助于改进 LaneDet 的贡献。任何 Pull Requests 或 Issues 均表示欢迎。

许可证

本项目采用 Apache 2.0 license 发布。

致谢

• open-mmlab/mmdetection
• pytorch/vision
• cardwing/Codes-for-Lane-Detection
• XingangPan/SCNN
• ZJULearning/resa
• cfzd/Ultra-Fast-Lane-Detection
• lucastabelini/LaneATT
• aliyun/conditional-lane-detection

LaneDet 快速上手指南

LaneDet 是一个基于 PyTorch 的开源车道检测工具箱，集成了多种最先进（SOTA）的车道检测模型，支持开发者复现现有方法或构建自己的算法。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux / Windows
• Python 版本: 3.8
• 深度学习框架: PyTorch 1.8.0, torchvision 0.9.0
• CUDA 工具包: 10.1 (需与系统安装的 cudatoolkit 版本一致)

安装步骤

1. 克隆代码库

git clone https://github.com/turoad/lanedet.git

将当前目录定义为 $LANEDET_ROOT。

2. 创建虚拟环境

建议使用 conda 管理环境（可选）：

conda create -n lanedet python=3.8 -y
conda activate lanedet

3. 安装依赖

首先安装 PyTorch（根据系统选择 conda 或 pip）：

# 方式一：Conda 安装
conda install pytorch==1.8.0 torchvision==0.9.0 cudatoolkit=10.1 -c pytorch

# 方式二：Pip 安装
pip install torch==1.8.0 torchvision==0.9.0

然后安装项目依赖：

python setup.py build develop

4. 数据准备

为了进行训练和测试，需要准备数据集并建立链接。

CULane 数据集： 下载 CULane 并解压至 $CULANEROOT，然后在项目中创建软链接：

cd $LANEDET_ROOT
mkdir -p data
ln -s $CULANEROOT data/CULane

TuSimple 数据集： 下载 TuSimple 并解压至 $TUSIMPLEROOT，创建软链接：

cd $LANEDET_ROOT
mkdir -p data
ln -s $TUSIMPLEROOT data/tusimple

由于 TuSimple 未提供分割标注，需生成 segmentation 标签：

python tools/generate_seg_tusimple.py --root $TUSIMPLEROOT

基本使用

训练模型

运行训练脚本，指定配置文件路径和 GPU ID：

python main.py configs/resa/resa50_culane.py --gpus 0

验证测试

加载预训练模型进行验证，添加 --view 参数可查看可视化结果：

python main.py configs/resa/resa50_culane.py --validate --load_from culane_resnet50.pth --gpus 0 --view

可视化结果将保存在 work_dirs/xxx/xxx/visualization 目录下。

推理预测

使用 tools/detect.py 对单张图片或文件夹进行推理：

python tools/detect.py configs/resa/resa34_culane.py --img images\
      --load_from resa_r34_culane.pth --savedir ./vis

更多推理参数可通过 python tools/detect.py --help 查看。