2025年01月11日到01月21日总结

1. 道路病害问题研究

安装miniconda

从github搜索官方网站https://docs.anaconda.com/miniconda/

安装labelme环境,加载ai分割模型

labelme不要安装在wsl2环境里，尽管可以成功，但是标记时候选择路径麻烦，不能自动找到挂载目录/mnt/d里，还要先移动到wsl2里

conda create -n labelmew python=3.9
conda activate labelmew
#升级pip
python -m pip install --upgrade pip

#依赖环境会自动匹配下载安装，可以不提前安装 当然如果网络不行可以提前安装 pip list 清单,依赖环境不止opencv和pyqt其实
#pip install opencv-python pyqt5 pillow -i https://mirrors.ustc.edu.cn/pypi/simple/

#下载labelme安装包https://github.com/wkentaro/labelme
#使用pip本地修改安装，是因为使用ai模型时候，它自动安装速度特别缓慢
#修改labelme\labelme\ai\__init__.py文件里的encoder_path和decoder_path改为本地路径
pip install -e . -i https://mirrors.ustc.edu.cn/pypi/simple/

安装pytorch环境

conda create -n usnet python=3.8
conda activate usnet
python -m pip install --upgrade pip

#pytorch安装,不用提前安装cuda和cudnn,只要确保nvidia驱动正常就行,nvidia-smi
# 2.6G,可以安装的出现下载地址以后浏览器搜索下载，再安装
#pip install D:\download\torch-2.0.0+cu118-cp38-cp38-win_amd64.whl
pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118   

#requirements.txt
pip install torchsummary matplotlib scikit-image scipy tqdm timm opencv-python protobuf tensorboardX -i https://mirrors.ustc.edu.cn/pypi/simple/     

验证

import torch

def s1():
    print(torch.cuda.device_count())  # 查看可用的 GPU 数量
    print(torch.cuda.get_device_name(0))  # 查看第一个 GPU 的名称

if __name__=='__main__':
    s1()

公开数据集

数据集名称	说明	大小	总结
CityScapes	opendatalab下载	5000张细粒度，20000张粗粒度
KITTI Road	官网注册下载	0.5G	mask是一个通道，不采用先
CeyMo Dataset

网友免费数据集
道路检测-目标检测数据集（包括VOC格式、YOLO格式）
https://pan.baidu.com/s/1nDwTmZxH_BQrVTj9MzUgDg?pwd=3zh7

公开道路分割模型，主要来自kitti提交总结

Method	MaxF	Ap	Runtime	Enviroment	Publish	总结
PLARD	97.05%	93.53%	0.16s	GPU @ 2.5 Ghz (Python)	IEEE/CAA Journal of Automatica Sinica 2019	使用雷达数据，婉拒了哈
USNet	96.46%	92.78%	0.02s	GPU @ 1.5 Ghz (Python)	ICRA2022	需要相机参数，看能不能用深度模型输出替代
SNE-RoadSeg	96.42%	93.67%	0.18s	GPU @ 2.5 Ghz (Python)	ECCV 2020	时间有点长，不用了先
LRDNet+	96.10%	92.00%	0.01s	GPU @ 2.5 Ghz (Python)	IEEE Transactions on Multimedia 2023	tensorflow,不会，看能不能改成pytorch
LRDNet(s)	96.01%	92.47%	0.009s	-	-

语义分割模型

pytorch-semseg

https://github.com/meetps/pytorch-semseg
古老 7年没更新了, 3.4k star, 用这个预标记，因为它用的是kitti数据，觉得用kitti数据直接训练UNet可能更靠谱

conda create -n semseg python=3.7
conda activate semseg
python -m pip install --upgrade pip
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

Pytorch-UNet

https://github.com/milesial/Pytorch-UNet
用这个训练，9.6k star星多
语义分割任务上的传奇地位

训练速度比yolo慢好多好多 ，第一轮精度就能到90%以上，–amp后训练速度加快，但是验证集score一直接近0

python train.py --epochs 5 --batch-size 2  --scale 0.5 --validation 10  --classes 2 --load '' --amp
python predict.py -m checkpoints/checkpoint_epoch5.pth -i /root/autodl-tmp/images1 -o /root/unetrun -c 2