本文详细介绍了如何在AidLux平台上部署和应用YOLOP模型，该模型能处理目标检测、可行驶区域分割、车道线检测。首先，介绍了YOLOP的模型选型、代码开源情况及损失函数。接着，讲解了使用BDD100K数据集进行云端训练的过程。然后，重点阐述了模型从.pth转为onnx，再到tflite的部署步骤，并在AidLux上配置环境、运行demo.py。最后，提到了智能预警系统的运行及解决可能出现的问题。
一、模型选型-YOLOP
YOLOP能同时处理目标检测、可行驶区域分割、车道线检测三个视觉感知任务，并速度优异、保持较好精度进行工作，代码开源。它是华中科技大学—―王兴刚团队，在全景驾驶感知方面提出的模型。
1.代码链接：https://github.com/hustvl/YOLOP。
2.网络结构
3.损失函数
二、AutoDL云端训练YOLOP模型
1.数据集-BDD100K数据集
加州大学伯克利分校Al实验室(BAIR)于2018年发布，迄今为止最大规模、内容最具多样性的公开驾驶数据集之一。其包含的10万个高清视频序列，时长超过1100小时。其中，每个视频大约40秒长、720p、30 fps,数据集中的视频是从美国各地收集的，涵盖不同时间、不同天气条件（包括晴天、阴天和雨天，以及白天和晚上的不同时间)和驾驶场景。收集数据集的地理位置分布在纽约、伯克利、旧金山等地。
2.数据上传 
3.使用Xshell和Xftp传输项目文件
具体教程点击链接&#x
最低0.47元/天 解锁文章
扫一扫
3270
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
