简体中文 | English
在这个项目中，我们开发了PPLanedet用于车道线检测。PPLanedet中包含了很多先进的车道线检测算法以方便车道线检测的科学研究和工程应用。欢迎加入我们来完善PPLanedet。如果您觉得PPLanedet不错，可以给我们项目一个star。
如果您没有充足的计算资源，我们建议您可以在百度AiStudio上运行PPLanedet。在Aistudio上您可以免费获得V100、A100两种高性能GPU计算资源，我们也在AIstudio上公开了PPLanedet的运行demo，项目链接在这里。由于在Windows系统上可能存在权限问题，我们建议您在linux系统上运行PPLanedet。
在这个部分中，我们展示PPLanedet中最新的改进，如果您想要了解更多关于PPLanedet的改动，您可以浏览改动历史。
- [2024-04-09] 🔥 发布v6版本，该版本中复现了ADNet, CLRerNet, 欢迎大家使用。
- [2024-02-27] 🔥 Lane2Seq被CVPR2024接收! 欢迎大家阅读交流, 论文地址。
- [2024-01-17] : 基于OneFlow框架开源车道线检测工具包FlowLane, 欢迎大家使用！
- [2023-05-01] : 我们基于DETR提出一个端到端的车道线检测模型O2SFormer, 欢迎大家使用！
PPLanedet是一个基于PaddlePaddle的车道线检测工具包。PaddlePaddle是一种高性能的深度学习框架。PPLanedet开发的初衷是希望科研人员或者工程师能够通过一个框架方便地开发各类车道线检测算法。如果您对PPLanedet有任何疑问或者建议，欢迎和我联系。
| 模型 | 框架组件 | |
Segmentation basedGAN based |
BackbonesNecksMetrics
|
Data Augmentation
|
具体步骤
步骤1 安装 PaddlePaddle==2.4.2(如果有疑问可以参考官方文档)
conda create -n pplanedet python=3.8 -y
conda activate pplanedet
conda install paddlepaddle-gpu==2.4.2 cudatoolkit=10.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/步骤2 Git clone PPlanedet
git clone https://github.com/zkyseu/PPlanedet步骤3 安装 PPlanedet
cd PPlanedet
pip install -r requirements.txt
python setup.py build developCULane数据集准备步骤
下载 CULane. 接着解压到 $CULANEROOT. 创建 data 目录.
cd $LANEDET_ROOT
mkdir -p data
ln -s $CULANEROOT data/CULane对于CULane数据集, 完成以上步骤你应该有下列数据集结构:
$CULANEROOT/driver_xx_xxframe # data folders x6
$CULANEROOT/laneseg_label_w16 # lane segmentation labels
$CULANEROOT/list # data lists
Tusimple数据集准备步骤
下载 [Tusimple](TuSimple/tusimple-benchmark#3). 然后解压到 `$TUSIMPLEROOT`. 创建 `data` 文件夹.cd $LANEDET_ROOT
mkdir -p data
ln -s $TUSIMPLEROOT data/tusimple对于Tusimple数据集, 完成以上步骤你应该有下列数据集结构:
$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
对于Tusimple数据集，分割地标签并没有提供，因此为了方便分割模型的训练，我们运行下列命令从json文件中生成分割的mask。
python tools/generate_seg_tusimple.py --root $TUSIMPLEROOT
# python tools/generate_seg_tusimple.py --root /root/paddlejob/workspace/train_data/datasets --savedir /root/paddlejob/workspace/train_data/datasets/seg_label如果你想在自己数据集上进行训练，我们在issue #1中对该问题进行了讨论，大家可以进行参考
开启训练
对于训练, 运行以下命令(shell脚本在script文件夹下)。更多的训练命令可以参考documentation
# training on single-GPU
export CUDA_VISIBLE_DEVICES=0
python tools/train.py -c configs/scnn/resnet50_tusimple.py多卡训练(基于分割的模型可以稳定运行，其他模型训练还不太稳定)
# training on multi-GPU
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -m paddle.distributed.launch tools/train.py -c configs/scnn/resnet50_tusimple.py开启测试
运行以下命令开启模型的测试
python tools/train.py -c configs/scnn/resnet50_tusimple.py \
--load /home/fyj/zky/tusimple/new/pplanedet/output_dir/resnet50_tusimple/latest.pd \
--evaluate-only 开启推理
想了解更多细节，请参考 tools/detect.py.
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
运行以下命令对一个文件夹下的图片进行预测，可视化结果保存在文件夹 vis下，如果您的模型不是分割模型，需要在配置文件中加上 seg=False，具体可见issue3
# first you should add 'seg = False' in your config
python tools/detect.py configs/scnn/resnet50_tusimple.py --img images\
--load_from model.pd --savedir ./vis
如果想要获取基于分割的车道线检测模型的分割结果，可以运行以下命令
# first you should add 'seg = True' in your config
python tools/detect.py configs/scnn/resnet50_tusimple.py --img images\
--load_from model.pd --savedir ./vis
开启速度测试
如果你想要测试模型的速度，你可以运行以下的命令。但是需要注意的是测试脚本使用python进行编写并未采用常见的C++，因此测试得到的模型检测速度会低于论文报告的结果，但是也可以用来衡量不同模型间检测速度快慢
python tools/test_speed.py configs/condlane/cspresnet_50_culane.py --model_path output_dir/cspresnet_50_culane/model.pd
开启可视化
如果你想可视化中间过程的loss，请在终端运行以下命令，其中log为存放日志的文件夹，更多的命令以及功能请参考VisualDL
# 首先你需要在配置文件中加上use_visual = True，训练完后即可得到日志文件，将其放在log文件夹下
visualdl --logdir ./log
开启模型导出
如果你想将模型导出为预训练的格式(只保留模型权重去除优化器以及学习率的权重)，可以使用以下命令
python tools/train.py -c configs/ufld/mobilenetv3_culane.py --export output_dir/mobilenetv3_culane/epoch_51.pd
#如果模型权重中包含RepVGG模块，可以运行以下命令来将RepVGG中卷积进行重参数化。
#python tools/train.py -c config path --export model path --export_repvgg
PPLanedet使用MIT license。但是我们仅允许您将PPLanedet用于学术用途。
如果您认为我们的项目对您的研究有用，请引用我们的项目
@misc{PPlanedet,
title={PPlanedet, A Toolkit for lane detection based on PaddlePaddle},
author={Kunyang Zhou},
howpublished = {\url{https://github.com/zkyseu/PPlanedet}},
year={2022}
}PPLanedet中复现的方法
@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}
}
@InProceedings{qin2020ultra,
author = {Qin, Zequn and Wang, Huanyu and Li, Xi},
title = {Ultra Fast Structure-aware Deep Lane Detection},
booktitle = {The European Conference on Computer Vision (ECCV)},
year = {2020}
}
@article{2017ERFNet,
author = {E.Romera, J.M.Alvarez, L.M.Bergasa and R.Arroyo},
title = {ERFNet: Efficient Residual Factorized ConvNet for Real-time Semantic Segmentation},
journal = {IEEE Transactions on Intelligent Transportation Systems(T-ITS)},
year = {2017}
}
@InProceedings{2021RESA,
author = {Zheng, Tu and Fang, Hao and Zhang, Yi and Tang, Wenjian and Yang, Zheng and Liu, Haifeng and Cai, Deng},
title = {RESA: Recurrent Feature-Shift Aggregator for Lane Detection},
booktitle = {Proceedings of the AAAI Conference on Artificial Intelligence},
year = {2021}
}
@InProceedings{DeepLabV3+,
author = {Chen, Liang-Chieh, Yukun Zhu, George Papandreou, Florian Schroff, and Hartwig Adam},
title = {Encoder-decoder with atrous separable convolution for semantic image segmentation},
booktitle = {In Proceedings of the European conference on computer vision(ECCV)},
year = {2018}
}
@InProceedings{CondLaneNet,
author = {Liu, Lizhe and Chen, Xiaohao and Zhu, Siyu and Tan, Ping},
title = {CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditional Convolution},
booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
year = {2021}
}
@article{RTFormer,
author = {Wang, Jian, Chenhui Gou, Qiman Wu, Haocheng Feng, Junyu Han, Errui Ding, and Jingdong Wang},
title = {RTFormer: Efficient Design for Real-Time Semantic Segmentation with Transformer},
journal = {arXiv preprint arXiv:2210.07124 (2022)},
year = {2022}
}