用语义分割来做车道线检测

最新推荐文章于 2024-04-22 08:36:30 发布
原创 最新推荐文章于 2024-04-22 08:36:30 发布 · 5.5k 阅读 · 19 ·
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：

#车道线检测 #语义分割

       语义分割这几年发展真的快，去年暑假我用enet分割车道线，效果还行，速度很快，前几天逛github又发现一大堆更好的网络，erfnet、shufflenet等，都是一些变种的网络，看他们论文的结果都是一个比一个好。这里先记录一下之前跑enet的结果。

     模型是用的GitHub上TensorFlow版本的enet。数据集用的图森。下面是以前训练的结果：

INFO:tensorflow:Final Training Accuracy: 0.97805065
INFO:tensorflow:Final Training Mean IOU: 0.7412362
INFO:tensorflow:Final Validation Accuracy: 0.9541565
INFO:tensorflow:Final Validation Mean IOU: 0.618093

右边是标签，左边是预测，结果貌似还行。训练途中遇到一个坑！代码里提供的enet自带class weight训练效果贼差，用MFB平衡的class weight效果也不行，最后用1：1还好一些。分割完后处理部分还是很难处理，你透视变换+车道线聚类+车道线拟合是常见方法，主要难解决的问题是：逆透视变换受坡度影响，多车道聚类策略受路宽影响（每条路并不是都是3.75m宽），弯道拟合。这三个问题很难兼顾啊。

推荐使用SCNN,github上有代码

 

 

 

 

qq_40593670
关注
道路场景分割：车道线、可行驶区域与路沿检测
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
09-19 22万+
道路场景分割：车道线、可行驶区域与路沿检测​ ，人工智能，计算机视觉，大模型，AI，文章围绕道路场景分割展开，涵盖车道线、可行驶区域与路沿检测。介绍了基本概念、重要性，各部分检测的类型、方法、难点及解决思路，还涉及技术融合、数据集、评价指标、发展趋势、应用案例、代码示例、不同天气处理、实际问题与方案、实现流程、相关技术工具、教育研究应用、产业前景、伦理安全问题及学习资源等，全面阐述了道路场景分割的多方面内容，为相关学习和研究提供了丰富信息。
基于语义分割的车道线检测以及评测算法研究
han422858897的博客
11-04 4147
论文学习笔记1.图森格式数据集制作：工具为labelme2.训练3.评估4.可视化结果5.总结6.参考博客 最近两周复现了两篇车道线论文的实验结果，现在将其做一个总结。 论文1：Towards End-to-end Lane Detecion an Instance Segmentation Approach 复现代码地址：https://github.com/IrohXu/lanenet-lane-detection-pytorch 论文2：Ultra Fast Structure-aware Deep
使用paddle框架无人驾驶 —— 语义分割模型检测车道线
qq_37668436的博客
08-01 3899
前言 准备在欧卡2实现无人驾驶，第一步使用paddlepaddle框架的paddleseg模块对车道线语义分割。 语义分割数据集 本文采用的数据集是tusimple数据集，图森车道线检测数据集。 下载地址：传送门 对数据集做了一些简单的处理，记录原始图像和带标签图像的文件路径关系。 数据集样例： paddleseg 这是百度深度学习框架推出的语义分割模块，集成了很多大佬写好的模型，只需要直接配置就可以使用这些模块了，对于新手上手比较友好。 paddleseg项目地址：国产深度学习框架，点个star支
深度学习车道线检测之 LaneNet （使用tensorflow2.4.0跑通）
热门推荐
tiger&sheep的博客
11-12 1万+
本文仅用来整理回顾所学知识。 参考链接：无人驾驶汽车系统入门（三十）——基于深度神经网络LaneNet的车道线检测及ROS实现_AdamShan的博客-优快云博客
语义分割课程——百度车道线检测数据集笔记
墨门
02-01 1582
id=203的数据标记改变成0，因为它的EVAL的值为Fals，也就是不进行评测，所以这里暂时考虑为背景；
空间中的语义直线检测_基于语义分割的车道线检测算法研究
weixin_39897015的博客
12-22 708
龙源期刊网http://www.qikan.com.cn基于语义分割的车道线检测算法研究作者：张道芳张儒良来源：《科技创新与应用》2019年第06期摘;要：随着半自动辅助驾驶，全自动无人驾驶系统等人工智能技术的发展和普及，驾驶环境的检测和识别变得非常关键。文章采用语义分割的DeeplabV3+网络车道线对检测，不仅克服了传统检测方法的缺陷，而且在检测的性能和效果上要优于传统的检测方法。关键词：车道...
基于 python用语义分割的方式来做车道线检测
07-11
【作品名称】：基于 python用语义分割的方式来做车道线检测 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：基于 ...
基于语义分割方法的车道线检测python源码+项目说明.zip
04-11
【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！...## 用语义分割的方式来做车道线检测 原本的想法是使用语义分割的方式，来识别经过逆透视变换之后的俯视图中的车道线，参考了[这篇论文]......
轻量级车道线检测
weixin_40620310的博客
04-18 6661
一、前置知识 首先需要知道实例分割的任务主要有两种实现方式： 1、自上而下：先检测出框，再对框内的物体进行像素点分类，缺点在于对于一些目标检测框不完整，会影响精度； 2、自下而上，先对目标像素点进行分类，再通过聚类的方式将像素点归到各个目标上； 总结：对于车道线场景，采用自下而上的方式较多，因为车道线的场景复杂，不利于检测； 二、聚类算法 通过自下而上的方式分类点后，需要聚类，将各个像素点归到不同的目标上； 这里又称为度量学习距离度量学习相似度学习； 注意：在分割、关键点检测、人脸识别 任务中都涉及该概念
基于OpenCV的车道线、答题卡与信用卡数字识别实战
同时，这些项目也为进一步学习深度学习在计算机视觉中的应用（如使用CNN替代模板匹配、用语义分割替代传统方法进行车道线检测）打下了坚实的基础。可以说，“opencv-python实战.zip”是一个理论与实践紧密结合的优质...
【端点检测】基于matlab倒谱距离语音信号端点检测【含Matlab源码 4335期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
04-22 201
倒谱距离语音信号端点检测 完整的代码，方可运行；可提供运行操作视频！适合小白！
车道线检测与分割
yunxinan的专栏
03-06 3753
VPGNet论文：https://arxiv.org/abs/1710.06288 caffe 版code：https://github.com/SeokjuLee/VPGNet 数据集地址：http://www.mohamedaly.info/datasets/caltech-lanes 车道线分割模型 LaneNet论文：https://arxiv.org/abs/1802.05591?con...
空间中的语义直线检测_车道线检测——UltraFastStructure-awareDeepLaneDetection
weixin_32328999的博客
12-28 612
该文作者来自浙江大学，实现了非常轻量的车道线检测模型，检测速度可达到300+FPS，并且在TuSimple和CuLane上都取得了很不错的效果。目前该文在CULane数据集上排名第二，仅次于还没有开源的ERFNet-E2E论文链接：Ultra Fast Structure-aware Deep Lane Detection​arxiv.org代码链接：Ultra-Fast-Lane-Detecti...
嵌入式（轻量级）车道线语义分割模型搭建
weixin_46327567的博客
08-01 2710
本次网络搭建的就是经典的U型语义分割网络Unet的魔改，使得其能够更加是使用在嵌入式设备能够进行实时检测，如Jetsonnano中。语义分割网络的核心构件就是编码器和解码器。语义分割详细介绍文章本模型是基于一片论文复现修改实现了，用pytorch框架实现，上代码本模型是为了实现车道线检测而搭建，最终得到的模型精度达到94%，模型大小为853kb，最终在JetsonNano的FPS达到25帧左右，已经基本满足实时的要求。...
助力自动驾驶：行车检测和车道线分割
m0_63642362的博客
08-12 2299
该项目着眼于基于视觉深度学习的自动驾驶场景，旨在对车载摄像头采集的视频数据进行道路场景解析（行车检测和车道线分割），为自动驾驶提供一种解决思路。该项目完成了ONNX部署和安卓部署。...
自动驾驶多任务框架Hybridnets——同时处理车辆检测、可驾驶区域分割、车道线分割模型部署（C++/Python）
知来者逆的博客
09-11 1928
使用多感知端到端网络处理自动驾驶中的车辆识别，路面可驾驶区域分割和车道线识别与分割
车道线检测综述（难点/数据集/主要方案/后处理）
CV_Autobot的博客
09-24 9501
作者|小酒馆燃着灯 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/657233570点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【车道线检测】技术交流群本文只做学术分享，如有侵权，联系删文自动驾驶-车道线一 前言“近期参与到了车道线检测的学习中去，以此系列笔记记录学习与思考的全过程。车道线检测系列会持续更新，力...
自动驾驶 Apollo 源码分析系列，感知篇(六)：车道线 Dark SCNN 算法简述及车道线后处理代码细节简述
frank 的专栏
02-27 7352
本文大纲自动驾驶中的车道线检测思路SCNN 算法思想Apollo 中对应的 dark scnn 代码逻辑LRUD 对应模型结构heatmap 对应代码逻辑车道线存在性预测分支代码mask 曲线拟合车道线表示2D 车道线检测3D 车道线检测总结优点不足 自动驾驶中的车道线检测思路 车道线检测是 ADAS 领域和高级别自动驾驶都非常重要的一环，属于环境感知和定位中的核心项。 人可以轻易分辨道路上的车道线，但是对于机器而言，却非常的难，人脑有先验知识，有极速的上下文理解能力，但机器而言只有一张 2 维的图片，然后
用yolov8实现道路裂缝检测用语义分割用png做mask
最新发布
10-25
使用YOLOv8进行道路裂缝检测，并以PNG图像作为语义分割掩码，可按以下方式操作： #### 数据集准备 将道路裂缝的图像和对应的PNG格式语义分割掩码组织成合适的目录结构。YOLOv8通常要求数据集具有特定的目录结构，例如： ```plaintext dataset/ ├── images/ │ ├── train/ │ │ ├── image1.png │ │ ├── image2.png │ │ └── ... │ └── val/ │ ├── image3.png │ ├── image4.png │ └── ... └── labels/ ├── train/ │ ├── image1.png │ ├── image2.png │ └── ... └── val/ ├── image3.png ├── image4.png └── ... ``` 其中，`images`目录存放道路裂缝的原始图像，`labels`目录存放对应的PNG格式语义分割掩码。 #### 配置数据集文件 创建一个YAML文件来配置数据集，示例如下： ```yaml train: path/to/dataset/images/train val: path/to/dataset/images/val nc: 1 # 类别数量，这里假设只有裂缝一个类别 names: ['crack'] ``` #### 训练模型 使用YOLOv8的Python API进行训练，示例代码如下： ```python from ultralytics import YOLO # 加载预训练模型 model = YOLO('yolov8n-seg.pt') # 训练模型 results = model.train( data='path/to/dataset.yaml', epochs=100, imgsz=640 ) ``` #### 评估模型 训练完成后，可以使用验证集评估模型的性能： ```python # 评估模型 metrics = model.val() print(metrics) ``` #### 推理和结果可视化 使用训练好的模型对新的道路图像进行推理，并可视化分割结果： ```python # 加载新图像 new_image = 'path/to/new_image.png' # 进行推理 results = model.predict(source=new_image) # 可视化结果 for r in results: r.plot() ```
评论 6
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
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