Ultra-Fast-Lane-Detection-v2代码实现

文章目录

• Ultra-Fast-Lane-Detection-v2代码实现
• 前言
• 一、背景介绍
• 二、环境搭建
• • 1.克隆项目
  • 2.创建 conda 虚拟环境并将其激活
  • 3.安装依赖项
  • 三、数据准备（我准备的图森数据集）
• 三、开始work
• 四、评估
• 五、可视化
• 总结

前言

第一次写，别骂我

一、背景介绍

做毕设中，需要先跑几个模型起来
paper：https://arxiv.org/pdf/2206.07389.pdf
代码链接：https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2
论文解读（我的解读，正常人别看）：暂时还没有

二、环境搭建

1.克隆项目

下载代码（要是这个代码不太行就直接下载哈）：

git clone https://github.com/cfzd/Ultra-Fast-Lane-Detection-V2
cd Ultra-Fast-Lane-Detection-V2

2.创建 conda 虚拟环境并将其激活

conda create -n lane-det python=3.7 -y
conda activate lane-det

3.安装依赖项

# If you dont have pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

注意：这里如果这条代码没法直接下载就是cuda和pytorch版本不对应

处理方法：
1. 查看版本：

方式一：conda list 可以看到pytorch版本和cuda的版本
方式二：在python代码中验证查看

print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号

方式三：
nvcc -V
nvcc-version
nvidia-smi
2.寻找匹配的pytorch版本
去官网找：https://pytorch.org/
找到符合的pytorch版本，用官网代码下载（一般来说云服务器都换过源，不需要再换源，能直接下下来），如果下不下来就自己换源，方法链接：https://blog.csdn.net/qq_31754085/article/details/126581171?spm=1001.2014.3001.5501

pip install -r requirements.txtpip install --extra-index-url https://developer.download.nvidia.com/compute/redist --upgrade nvidia-dali-cuda110
# Install Nvidia DALI (Very fast data loading lib))cd my_interpsh build.sh
# If this fails, you might need to upgrade your GCC to v7.3.0

No module named ‘sklearn‘ 解决方案
我在环境配置完之后，遇到了这个问题。主要是因为sklearn改名了，所以conda install scikit-learn或者pip install scikit-learn就可以

三、数据准备（我准备的图森数据集）

数据集下载链接：https://github.com/TuSimple/tusimple-benchmark/issues/3
Tusimple的目录排列应该是这样的：test_label.json

$TUSIMPLE
|──clips
|──label_data_0313.json
|──label_data_0531.json
|──label_data_0601.json
|──test_tasks_0627.json
|──test_label.json
|──readme.md

对于 Tusimple，没有提供分段注释，因此我们需要从 json 注释生成分段。

python scripts/convert_tusimple.py --root /path/to/your/tusimple#this will generate segmentations and two list files: train_gt.txt and test.txt

如果你用的图森数据集，那到这步就暂时完成环境配置喽，congratulations！

三、开始work

训练模型：
打开configs文件夹，里面有很多py文件：

找到tusimple_res18.py（我想用这个，你想用别的也行）,找到之后打开这个文件，修改root：

dataset= 'Tusimple'
data_root= '/mnt/Tusimple' # Need to be modified before running 这里本来是空的，你修改上自己的数据集路径
epoch= 100
batch_size= 32
optimizer= 'SGD'
learning_rate= 0.05
weight_decay= 0.0001
momentum= 0.9
scheduler= 'multi'
steps= [50,75]
gamma= 0.1
warmup= 'linear'
warmup_iters= 100
backbone= '18'
griding_num= 100
use_aux= False
sim_loss_w= 0.0
shp_loss_w= 0.0
note= ''
log_path= ''
finetune= None
resume= None
test_model= ''
test_work_dir= ''
num_lanes= 4
var_loss_power= 2.0
auto_backup= True
num_row= 56
num_col= 41
train_width= 800
train_height= 320
num_cell_row= 100
num_cell_col= 100
mean_loss_w= 0.05
fc_norm= False
soft_loss= True
cls_loss_col_w= 1.0
cls_ext_col_w= 1.0
mean_loss_col_w= 0.05
eval_mode= 'normal'
crop_ratio = 0.8

看这里：
data_root= ‘/mnt/Tusimple’ # Need to be modified before running 这里本来是空的，你修改上自己的数据集路径

运行：

python train.py configs/tusimple_res18.py --log_path /path/to/your/work/dir

或者

python -m torch.distributed.launch --nproc_per_node=8 train.py configs/tusimple_res18.py --log_path /path/to/your/work/dir

需要注意的是，如果使用不同数量的 GPU，则应相应地调整学习率。配置的学习率对应于CULane和CurveLanes数据集上的8-GPU训练。如果您想使用单个 GPU 在 CULane 或 CurveLanes 上进行训练，请将学习率降低 1/8 倍。在Tusimple上，学习率对应于单个GPU训练。

暂时是这样，现在在跑，跑完再说

我回来了，跑完100轮喽

四、评估

先试一下跑出来的best.pth

python test.py configs/tusimple_res18.py --test_model /mnt/Ultra-Fast-Lane-Detection-v2-master/mywork/20230306_113540_lr_5e-02_b_32/model_best.pth --test_work_dir ./tmp

结果如下：

学习几个评价指标（笨蛋是这样的）
https://zhuanlan.zhihu.com/p/514732098

这是tusimple_res18.pth的评估结果：

这是tusimple_res34.pth的评估结果：

五、可视化

总结

Ultra-Fast-Lane-Detection-v2

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！