Ultra Fast Structure-aware Deep Lane Detection (ECCV2020)的复现

首先感谢作者的开源代码以及模型。
作者知乎论文指路：https://zhuanlan.zhihu.com/p/157530787
作者代码指路：https://github.com/cfzd/Ultra-Fast-Lane-Detection

接下来是复现的过程以及其中遇到的坑。
基础的nvidia显卡安装、CUDA安装、cuDNN安装这里不进行赘述。

复现的环境以及数据准备在作者的github仓库里写的很完整，按照步骤来就好。
需要注意一下的是第四步数据集的准备。在工程文件夹中新建一个叫做CULANROOT或者TUSIMPLEROOT的文件夹用于存放对应的数据，我自己只用了CUlane数据集做复现。
注意：如果你使用百度云下载数据集，请在解压缩后确保文件23 30frame part1.tar.gz和文件23 30frame part2.tar.gz中的图像位于一个“driver_23_30frame”文件夹中，而不是两个单独的文件夹，这就意味着需要自己创建一个文件夹，然后把两个文件夹中的图像移动到创建的文件夹中。
它看起来像这样：

当一切准备就绪，就可以开始了。
首先，我们需要根据自己的环境在 confits / culane.py 配置中修改数据。
其中的data_root路径就是所下载的CULane数据集的路径。
作者还说到log_path也需要修改，但是我暂时没搞清楚如何修改，所以按住不动。

最后在终端执行命令运行demo即可。
运行：python demo.py configs/culane.py --test_model model/culane_18.pth
执行完毕后，每个场景生成一个.avi视频。

接下来是复现过程中踩到的坑以及解决方法：
1、无法找到cv2模块
解决：将 ～/.bashrc 中的source /opt/ros/kinetic/setup.bash注释掉，因为安装ros后他会在python_path中添加路径，导致conda无法找到正确的路径。
（后续添加：不知道什么原因，导致了我的环境出了问题，单纯的对source /opt/ros/kinetic/setup.bash进行注释已经无法再实现作用，现在的做法是在需要导入cv2的 *.py文件的头部，添加如下两条语句：
import sys
sys.path.remove(’/opt/ros/kinetic/lib/python2.7/dist-packages’)
这两条语句的作用是使程序开始运行时不要用ros导入的路径。）

2、pytorch无法使用CUDA
错误提示：Torch not compiled with CUDA enabled
即：未在启用CUDA的情况下编译Torch

在终端使用命令 nvcc -V 出现以下提示：

出现这几条语句，说明CUDA安装没有问题，后来经过多方查询，发现是CUDA版本安装过高，此时并没有合适于此版本的pytorch，这个问题应该在安装torch时意识到，因为在官网下载安装时确实没有出现对应CUDA版本的torch。
然后在终端检测此版本的torch是否可以使用CUDA：
可以看到后续的输出是False，也就是说这个版本的torch无法使用CUDA。
（也就是说，后续要用上CUDA只能使用低版本咯）

后来为了完成复现，决定不使用GPU转而使用CPU来进行，所以对作者的源码进行了一点小小的改动。改动如下：
在程序开始时添加：device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
然后将程序中所有的 .cuda() 更改为 .to(device)。然后运行程序即可。

后续开坑计划：CPU的效率确实是没有GPU高的，安装了GPU驱动却没有用起来是很难受的一件事情，所以后续打算卸载掉CUDA11.0安装和torch配套的低版本CUDA，然后用GPU把此套代码跑出来。