用于通过自注意力蒸馏学习轻量级车道线检测CNN的代码库。

该仓库还包含Spatial As Deep: 用于交通场景理解的空间CNN的TensorFlow实现。（SCNN-Tensorflow）

新闻

1. ERFNet-CULane-PyTorch 已发布。（它在CULane测试集上可达到73.1的F1分数）

2. ENet-Label-Torch、ENet-TuSimple-Torch 和 ENet-BDD100K-Torch 已发布。

主要特点：

(1) ENet-label 是一个基于 ENet 的 轻量级 车道线检测模型，并采用了 自注意力蒸馏 技术（更多细节请参阅我们的论文）。

(2) 相较于当前最先进的SCNN，它拥有 20倍 更少的参数，运行速度则快了 10倍，并在CULane测试集上达到了 72.0 的F1分数（优于SCNN的71.6）。此外，在TuSimple测试集上其准确率达到 96.64%（高于SCNN的96.53%），而在BDD100K测试集上则为 36.56%（同样优于SCNN的35.79%）。

(3) 将ENet-SAD应用于 LLAMAS 数据集时，在 多类别车道标记分割任务 中获得了 0.635 的mAP，远超基线算法的0.500 mAP。详细信息请参见 此仓库。

（欢迎试用我们的模型！！！）

3. 现已支持多GPU训练。只需修改 global_config.py 中的 BATCH_SIZE 和 GPU_NUM，然后使用 CUDA_VISIBLE_DEVICES="0,1,2,3" python 文件名.py 即可。感谢 @ yujincheng08。

内容

• 安装
• 数据集
  • TuSimple
  • CULane
  • BDD100K
• SCNN-Tensorflow
  • 测试
  • 训练
• 性能
• 其他
  • 引用
  • 致谢
  • 联系方式

安装

1. 安装必要的软件包：

    conda create -n tensorflow_gpu pip python=3.5
    source activate tensorflow_gpu
    pip install --upgrade tensorflow-gpu==1.3.0
    pip3 install -r SCNN-Tensorflow/lane-detection-model/requirements.txt

2. 下载VGG-16：

从 这里 下载 vgg.npy，并将其放置在 SCNN-Tensorflow/lane-detection-model/data 目录下。

3. 用于测试的预训练模型：

请从 这里 下载预训练模型。

数据集

TuSimple

TuSimple测试集的真实标签现已在 TuSimple 上提供。标注过的训练集（#frame = 3268）和验证集标签（#frame = 358）可在 这里 找到，请使用这些文件（list-name.txt）替换 train_lanenet.py 中的 train_gt.txt 和 val_gt.txt。此外，您需要将图像尺寸调整为256 x 512，而非TuSimple默认的288 x 800。请务必更改行和列的最大索引，详细说明请参见 此处。请使用这些标签和 此脚本 来评估您的 pred.json。另外，生成 pred.json 的方法可参考 此议题。

CULane

完整数据集可在 CULane 获取。

BDD100K

完整数据集可在 BDD100K 获取。

SCNN-Tensorflow

测试

cd SCNN-Tensorflow/lane-detection-model
CUDA_VISIBLE_DEVICES="0" python tools/test_lanenet.py --weights_path 模型权重文件路径 --image_path 图像名称列表路径 --save_dir 保存目录

请注意，图像名称列表的路径应类似于 test_img.txt。此时，您将获得来自我们模型的概率图。为了得到最终的性能指标，您需要按照 SCNN 的方法，从概率图中提取曲线，并计算精确率、召回率和F1分数。

提醒：请检查 lanenet_data_processor.py 和 lanenet_data_processor_test.py ，以确保图像路径处理正确。建议在图像路径列表中使用绝对路径。此外，此代码要求训练和测试时的批次大小保持一致。如需在测试阶段启用任意批次大小，请参阅 此议题。

训练

CUDA_VISIBLE_DEVICES="0" python tools/train_lanenet.py --net vgg --dataset_dir CULane数据集路径/

请注意，CULane数据集路径下应包含类似 train_gt.txt 和 val_gt.txt 的文件。

性能

1. TuSimple 测试集：

模型	准确率	假阳性	假阴性
SCNN-Torch	96.53%	0.0617	0.0180
SCNN-Tensorflow	--	--	--
ENet-Label-Torch	96.64%	0.0602	0.0205

用于测试的预训练模型在此处。（即将发布！）请注意，在 TuSimple 数据集中，SCNN-Torch 基于 ResNet-101，而 SCNN-Tensorflow 则基于 VGG-16。在 CULane 和 BDD100K 数据集中，SCNN-Torch 和 SCNN-Tensorflow 均基于 VGG-16。

2. CULane 测试集（F1 分数）：

类别	SCNN-Torch	SCNN-Tensorflow	ENet-Label-Torch	ERFNet-CULane-PyTorch
正常	90.6	90.2	90.7	91.5
拥挤	69.7	71.9	70.8	71.6
夜间	66.1	64.6	65.9	67.1
无线	43.4	45.8	44.7	45.1
阴影	66.9	73.8	70.6	71.3
箭头	84.1	83.8	85.8	87.2
眩光	58.5	59.5	64.4	66.0
弯道	64.4	63.4	65.4	66.3
十字路口	1990	4137	2729	2199
总计	71.6	71.3	72.0	73.1
运行时间（ms）	133.5	--	13.4	10.2
参数量（M）	20.72	--	0.98	2.49

用于测试的预训练模型请见此处。请注意，您需要在 test_lanenet.py 中调换 VGG-MEAN 的顺序，并将输入图像的通道顺序由 RGB 改为 BGR，因为该预训练模型使用 OpenCV 读取图像。您还可以参考此问题，以进一步提升性能。

3. BDD100K 测试集：

模型	准确率	IoU
SCNN-Torch	35.79%	15.84
SCNN-Tensorflow	--	--
ENet-Label-Torch	36.56%	16.02

计算的是车道像素的准确率和 IoU。用于测试的预训练模型在此处。（即将发布！）

其他

引用

如果您使用这些代码，请引用以下文献：

@article{hou2019learning,
  title={Learning Lightweight Lane Detection CNNs by Self Attention Distillation},
  author={Hou, Yuenan and Ma, Zheng and Liu, Chunxiao and Loy, Chen Change},
  journal={arXiv preprint arXiv:1908.00821},
  year={2019}
}

@inproceedings{pan2018SCNN,  
  author = {Xingang Pan, Jianping Shi, Ping Luo, Xiaogang Wang, and Xiaoou Tang},  
  title = {Spatial As Deep: Spatial CNN for Traffic Scene Understanding},  
  booktitle = {AAAI Conference on Artificial Intelligence (AAAI)},  
  month = {February},  
  year = {2018}  
}

@misc{hou2019agnostic,
    title={Agnostic Lane Detection},
    author={Yuenan Hou},
    year={2019},
    eprint={1905.03704},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

致谢

本仓库基于 SCNN 和 LaneNet 构建。

联系方式

如果您在复现结果时遇到任何问题，请在此仓库中提交 issue。

待办事项

• 在 TuSimple 和 BDD100K 上测试 SCNN-Tensorflow
• 提供在 TuSimple 和 BDD100K 上运行 SCNN-Tensorflow 的详细说明
• 上传我们的轻量级模型（ENet-SAD）及其训练和测试脚本

Codes-for-Lane-Detection 快速上手指南

本指南基于 Codes-for-Lane-Detection 开源项目，帮助开发者快速部署并运行轻量级车道线检测模型（ENet-SAD）及 SCNN-Tensorflow 实现。

环境准备

• 操作系统: Linux (推荐 Ubuntu)
• Python 版本: 3.5 (项目原始依赖，建议通过 Conda 隔离环境)
• 深度学习框架: TensorFlow-GPU 1.3.0
• 硬件要求: 支持 CUDA 的 NVIDIA GPU
• 前置依赖:
  • Anaconda 或 Miniconda
  • Git

注意：由于项目依赖较旧的 TensorFlow 版本 (1.3.0)，强烈建议使用虚拟环境以避免与现有系统冲突。国内用户可使用清华源加速包下载。

安装步骤

1. 创建并激活虚拟环境

使用 Conda 创建指定 Python 版本的环境，并配置国内镜像源加速安装。

# 创建名为 tensorflow_gpu 的环境，指定 Python 3.5
conda create -n tensorflow_gpu pip python=3.5

# 激活环境
source activate tensorflow_gpu

# 配置清华源（可选，加速下载）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装核心依赖

安装 TensorFlow-GPU 及项目所需的其余依赖包。

# 安装 TensorFlow-GPU 1.3.0
pip install --upgrade tensorflow-gpu==1.3.0

# 进入项目目录后安装其他依赖
cd SCNN-Tensorflow/lane-detection-model
pip3 install -r requirements.txt

3. 下载预训练模型与权重

项目需要 VGG-16 权重文件及预训练的车道线检测模型。

• 下载 VGG-16 权重: 从 tensorflow-vgg 下载 vgg.npy 文件，并将其放置于 SCNN-Tensorflow/lane-detection-model/data 目录下。

• 下载预训练模型: 从 Google Drive 下载预训练模型文件，保存路径自行指定（后续测试命令需引用此路径）。

基本使用

以下演示如何使用预训练模型对单张或多张图片进行车道线检测推理。

1. 准备测试图片列表

创建一个文本文件（例如 test_img.txt），每行包含一张待检测图片的绝对路径。格式参考：

/path/to/image1.jpg
/path/to/image2.jpg

2. 运行测试脚本

在项目根目录下执行以下命令。请替换 path/to/model_weights_file 为实际模型路径，path/to/image_name_list 为上一步创建的列表文件路径，to_be_saved_dir 为结果保存目录。

cd SCNN-Tensorflow/lane-detection-model

# 设置可见 GPU 设备并运行测试
CUDA_VISIBLE_DEVICES="0" python tools/test_lanenet.py --weights_path path/to/model_weights_file --image_path path/to/image_name_list --save_dir to_be_saved_dir

3. 获取最终结果

上述命令执行后将生成概率图（Probability Maps）。若要获取最终的车道线曲线坐标及评估指标（Precision, Recall, F1-measure），需参照原 SCNN 项目的后处理逻辑，从概率图中提取曲线并进行计算。

提示：确保 lanenet_data_processor.py 中的图像路径处理逻辑正确，建议在图片列表中使用绝对路径。训练与测试时的 Batch Size 需保持一致，若需动态调整测试 Batch Size，请参考项目 Issue #10 进行修改。