如何制作自己的TuSimple格式的车道线标注文件

原创 已于 2023-07-14 15:42:43 修改 · 992 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#TuSimple #LSTR #Lane Detection #车道线检测 #深度学习

于 2023-07-14 15:33:13 首次发布

以往的车道线图像检测大多是基于目标分割的，标注起来自然也是比较麻烦，基于曲线多项式拟合的车道线检测可以说是另辟蹊径，避开使用费劲低效的图像分割，而是基于打点标记车道线再使用模型基于这些点去拟合曲线，这样的话，模型推理和数据标注都非常高效而且像LSTR这样的模型加入了Transformer增强了对空间位置的学习后拟合十分精准能力强大，一定程度上能较好地解决遮挡问题，这些都是基于图像分割的车道线检测技术所不能及的。

TuSimple车道线数据集GitHub - TuSimple/tusimple-benchmark: Download Datasets and Ground Truths: https://github.com/TuSimple/tusimple-benchmark/issues/3就是基于打点标记的，参见https://github.com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection

其标记格式非常简单，标记数据json文件里有一个或多个{}包纳的json串，每个json串格式记录一张图片的标注数据，json串的格式如下：

   {
      'raw_file': str. the frame file path in a clip.
      'lanes':
最低0.47元/天 解锁文章
Ultra-Fast-Lane-Detection训练自己的车道线数据集(一)（以tusimple为数据格式）
chenghan_的博客
04-19 2879
接下来是针对自己的数据集，可能存在多条车道线的问题进行数据集的标注、训练、测试等任务。
制作车道线数据集--CULane格式的数据集
qq_60199131的博客
05-25 3704
如何自制CULane格式的数据集
制作自己的 tusimple 格式数据集
yyq_163的博客
08-24 3208
tusimple 格式数据集制作与标注小结 最近在看 LaneNet ，然后参考网上的博客记录一下自己制作个人 tusimple 格式数据集的过程。 1.前期准备 工具： labelme 3.6.12 + windows10 (1) 先创建一个虚拟环境，控制台指令： conda create -n yourenvname python==3.6.0 (2) 激活环境并安装，控制台指令：(推荐用国内源) conda activate yourenvname pip install labelme==3.
制作labelme数据集（tusimple数据集）
如果没有最优解，那就找到可行解
07-22 2450
1：安装labelme （可百度，最好安在虚拟环境） 2：cmd 到图片上层文件夹，在终端激活labelme环境，然后直接输入labelme打开labelme标注工具 3：opendir-图片文件夹选择保村json的文件夹 4：选择点，线，区域进行标注 如果有两种区域或者两条线路则不同区域线路的名字区别一下 5：标注完成后生产n（图片个数）个json 6：在json文件夹下运行批处理文件： @echo off activate labelme & for %%i in (*..
Tusimpe数据处理、labelme标注
qq_42178122的博客
03-22 1064
tusimple数据集处理
【数据集处理】制作自己的tusimple数据集(图森数据集)(LaneNet模型数据集）
weixin_45736855的博客
03-31 6525
数据制作图森数据集(tusimple),tusimple数据集LaneNet模型的标准数据集，便于后期实现基于LaneNet模型的车道线检测。
用labelme自己标注的数据转tusimple格式数据集
y459541195的博客
08-20 2015
用labelme自己标注的数据转tusimple格式数据集
tusimple车道线检测 处理自己的数据集 用自己的数据集训练模型
qq_40900196的博客
12-19 6854
标注数据 将自己的数据用labelme(至于如何安装和使用请自查)打开，然后选择线段或者点进行标注，标注完成之后会生成json格式的标注信息。 处理数据 处理得到的json文件，会生成这五个类型的文件 我这里使用的是批量转换.sh命令，代码如下（如你的数据是单个的你可用自带的命令来生成）： 单个数据转换 labelme_json_to_dataset <文件名>....
TuSimple数据集格式标注自己的数据集
nieji3057的博客
01-19 4446
制作自己的TuSimple数据集
把地图中的道路以线条提取出来_基于几何规则的车载近景立体影像道路交通标线自动提取...
weixin_39883208的博客
12-11 845
随着智能交通系统[1](intelligent transportation system, ITS)、辅助驾驶系统[2](advanced drive assistant system, ADAS)、高度自动驾驶[3]等应用的发展，用户对于道路导航地图的现势性和准确性提出了更高的要求[4]。当前，导航与每个人的生活息息相关，可以说导航无人不用、无时不需、无所不在。道路导航地图则是导...
tusimple-benchmark:下载数据集和地面真相
05-10
TuSimple竞赛CVPR2017 注意：我们没有用于车道检测挑战的校准文件。
自动驾驶数据集
03-15
里面有普林斯顿大学人工智能自动驾驶汽车项目的代码、测试集等
创建自己的tusimple数据集格式
旧人旧事的博客
08-24 8027
为了训练自己的车道线检测模型，由于tusimple数据集场景较为单一，因此自己标注了一个数据集 模型：lanenet 数据集格式：tusimple 标注工具:labelme 第一步：原始数据集标注 1、使用labelme进行数据标注 使用指令进行安装labelme pip install labelme 2、在环境下使用指令进行启动labelme labelme 3、进入界...
车道线数据集简介
weixin_44287798的博客
12-01 1030
为什么车道线都是四根呢
车道线检测数据集介绍
weixin_42234696的博客
10-11 1万+
车道线检测数据集介绍
tusimple车道线检测 标注自己的数据集
m0_51579041的博客
07-13 1770
tusimple车道线检测 标注自己的数据集
如何得到tusimple数据
weixin_38410551的博客
10-22 639
参考链接： https://www.cnblogs.com/oftenlin/p/10670534.html
车道线识别 tusimple 数据集介绍
热门推荐
qingfengxd1的博客
09-22 2万+
1、tusimple 数据集介绍 标注json文件中每一行包括三个字段 ： raw_file :每一个数据段的第20帧图像的的path 路径 lanes和h_samples是数据具体的标注内容，为了压缩，h_sample是纵坐标（等分确定），lanes是每个车道的横坐标，是个二维数组。-2表示这个点是无效的点。 标注的过程应该是，将图片的下半部分如70%*height等分成N份。然后取车道线（如论虚实）与该标注线交叉的点 上面的数据就有4条车道线，第一条车道线的第一...
自定义自己的Tusimple格式数据集
qq_35890328的博客
01-15 1367
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 自定义自己的Tusimple格式数据集 一、使用工具 labelme 二、使用步骤 1.安装labelme 参考大佬的文章http://yearing1017.cn/2020/05/30/labelme%E7%9A%84%E5%AE%89%E8%A3%85%E5%8F%8A%E4%BD%BF%E7%94...
怎么使用tusimple的车道线数据集
最新发布
03-14
<think>嗯，用户想了解如何使用TuSimple的车道线数据集。首先，我得回忆一下这个数据集的基本信息。TuSimple数据集主要用于车道线检测任务，应该包含道路图像和对应的标注。用户可能需要进行模型训练或者评估，所以需要知道数据集的组成、标注格式以及如何访问这些数据。 首先，我应该介绍数据集的基本情况，比如包含多少张图像，分辨率如何，有没有不同天气或交通状况的数据。然后，数据集的目录结构也很重要，用户需要知道下载后的文件如何组织，比如训练集、测试集的位置，标注文件在哪里。 接下来是数据格式部分，尤其是标注文件的格式。可能每张图片都有一个JSON文件，或者一个集中的标注文件。需要详细说明每个字段的含义，比如车道线的坐标、类别、是否存在遮挡等。同时，用户可能需要知道如何解析这些标注，比如使用Python的json库读取，并转换成数组或矩阵进行处理。 然后是数据集的使用步骤。用户可能需要下载数据集，访问图像和标注，可视化一些样本，预处理数据，最后进行模型训练或评估。这里要分步骤说明，每一步的关键点是什么。比如下载数据可能需要注册或申请权限，预处理可能包括调整图像大小、归一化等。 在注意事项里，要提到数据集的挑战，比如遮挡、光照变化，以及评估指标。用户可能关心如何评估自己的模型，所以需要解释准确率、FP、FN的计算方法。另外，可能还要推荐一些工具或库，比如OpenCV用于图像处理，PyTorch或TensorFlow用于搭建模型。 还要考虑用户可能的疑问，比如数据集是否划分好了训练集和测试集，标注的格式是否容易处理，如何处理不同的车道线类别。可能需要提醒用户注意数据集中某些特殊情况，比如车道线断续的情况，或者夜间低光照的图像。 最后，确保回答结构清晰，分点说明，让用户能够一步步理解和操作。同时，语言要简洁明了，避免使用过于专业的术语，或者解释清楚术语的含义。这样用户无论是刚开始接触还是有一定经验，都能从中获得有用的信息。</think>好的，我将分步骤为您介绍TuSimple车道线数据集的使用方法： 1. **数据集基本信息** - 用途：自动驾驶场景下的车道线检测 - 包含数据量：6,408段视频（每段1秒，20帧/秒） - 分辨率：1280×720 - 场景特点：包含不同天气、交通流量和光照条件 2. **数据集目录结构** 下载后通常包含： ``` dataset/ ├── clips/ # 视频片段 │ ├── 0313/ │ └── 0531/ ├── label_data_0313.json # 标注文件 ├── label_data_0531.json └── test_label.json # 测试集标注 ``` 3. **标注数据格式详解** ```json { "raw_file": "path/to/clip", // 视频路径 "lanes": [ // 车道线坐标 [x1, x2, ..., x_n], // 每个点的x坐标 [...] ], "h_samples": [y1, y2, ...], // 对应y坐标（固定间隔） "run_time": 30.0, // 标注时间 "lane_type": [1, 0, 1, 0] // 车道线类型（1=存在） } ``` 4. **使用步骤** (1) 数据下载与解压 - 官网注册后获取下载权限 - 推荐使用Linux系统解压（处理大量小文件更高效） (2) 数据加载示例（Python） ```python import json import cv2 # 加载标注文件 with open('label_data_0313.json') as f: annotations = [json.loads(line) for line in f] # 读取样本数据 sample = annotations[0] img = cv2.imread(sample['raw_file']) lanes = sample['lanes'] # 车道线坐标 ``` (3) 可视化标注 ```python for lane in lanes: points = [(x, y) for x, y in zip(lane, sample['h_samples']) if x >= 0] for pt in points: cv2.circle(img, pt, 5, (0,255,0), -1) ``` (4) 数据预处理建议 - 图像尺寸调整（建议缩放到256×128） - 颜色空间转换（RGB→YUV） - 标准化处理（均值方差归一化） 5. **评估指标** $$ Accuracy = \frac{\sum_{clip}C_{clip}}{\sum_{clip}S_{clip}} $$ - $C_{clip}$：正确预测点数 - $S_{clip}$：总点数 - FP（误检率）< 0.18% - FN（漏检率）< 0.08% 6. **注意事项** - 标注点间隔为10像素（h_samples） - x=-1表示该位置无车道线 - 夜间数据占比约20%，需注意光照变化 - 推荐使用语义分割或曲线拟合方法 建议工具链： - 数据处理：OpenCV + NumPy - 深度学习框架：PyTorch/TensorFlow - 可视化：Matplotlib/OpenCV 需要进一步了解具体实现细节（如模型训练、评估脚本编写），可以告诉我您的具体需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Arnold-FY-Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值