Ultra-Fast-Lane-Detection 云端复现

置顶 已于 2023-05-11 00:42:17 修改
阅读量264 收藏 1
点赞数 1
文章标签： python opencv 计算机视觉 人工智能 深度学习
于 2023-03-14 01:52:07 首次发布
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。
本文链接：https://blog.csdn.net/jennydale/article/details/129512709
版权

Ultra-Fast-Lane-Detection 云端复现

首先观看论文

知道大概用了renet和spring网络
知道实现原理是行扫描，约束是纵向看都在一条线上，行锚点可以在配置文件中申明
在两个数据集上实验culane和tusimple

在这里插入图片描述

  • 然后去github看代码，找数据，这里找了tusimple数据集，都是json格式数据。
    在这里插入图片描述
  • 在这里发现代码里面有.cuda()这个要求有nvida显卡，所以我租了个服务器，配置如下：
    在这里插入图片描述

其次如何租服务器和上传数据

  • 有很多服务器可供选择，索性随便选了个实惠的autodl

首先打开autodl帮助文档在这里插入图片描述

然后点击

在这里插入图片描述

创建百度网盘项目

在这里插入图片描述

然后租用实例

在这里插入图片描述

然后网盘传输

在这里插入图片描述

下载目录（这些文件需要在github下载）

其中.json我用idm下载的都存储到网盘
在这里插入图片描述

调整文件结构搭建实验环境

  • 进行远程连接
    在这里插入图片描述
  • 后面的内容就是：在linux环境下解压.zip

在这里插入图片描述

  • 最后通过系列操作得到如下
  • 在这里插入图片描述
jennydale
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【Ultra-Fast-Lane-Detection-v2代码实现】
weixin_58388072的博客
03-06 1472
Ultra-Fast-Lane-Detection-v2代码实现
Ultra-Fast-Lane-Detection的caffe模型
09-14
Ultra-Fast-Lane-Detection的caffe模型，包含推理文件和caffe网络结构及权重
【代码复现】Ultra-Fast-Lane-Detection-V2 代码复现。
qq_46110320的博客
04-25 322
GitHub源码：https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2?按照install.md复现遇到的问题：这行命令有问题，先跳过。
Ultra-Fast-Lane-Detection:超快速的结构感知深路检测（ECCV 2020）
03-18
超快速通道检测 PyTorch实施的论文“”。 更新：我们的论文已被ECCV2020接受。 评估代码是从改性和。 Caffe模型和原型可以在找到。 演示版 安装 请参阅 开始吧 首先，请根据您的环境在configs/culane.py或configs/tusimple.py配置中修改data_root和log_path 。 data_root是您的CULane数据集或Tusimple数据集的路径。 log_path是tensorboard日志，训练有素的模型和代码备份的存储位置。它应该放置在该项目之外。 对于单GPU训练，运行 python train.py configs/path_to_your_config 对于多GPU训练，请运行 sh launch_training.sh 或者 python -m torch.distributed.launch --nproc_per_n
Ultra-Fast-Lane-Detection 复现
qq_42178122的博客
04-30 1776
源码地址：https://github.com/cfzd/Ultra-Fast-Lane-Detection 论文地址：https://arxiv.org/abs/2004.11757 1 数据集准备 下载地址：https://github.com/TuSimple/tusimple-benchmark/issues/3 下载的train_set.zip、test_set.zip和test_label.json，并解压 下载完成后，新建一个文件夹Tusimple,将上面多个放在该文件夹里面 1 源码下载
【Lane】 Ultra-Fast-Lane-Detection 复现
热门推荐
qq_44703886的博客
08-16 1万+
引言 车道线检测源码复现以及训练自己的数据集 1 环境搭建 conda create -n lane python=3.7 conda activate lane # 激活环境 conda install pytorch torchvision cudatoolkit=10.1 -c pytorch pip install -r requirements.txt 2 下载项目源码 若在服务器上可以用指令下载，否则直接在网址中下载 git clone https://github.com/cfzd/U
Ultra-Fast-Lane-Detection代码解析
weixin_62304487的博客
01-31 2081
现代方法主要将车道检测视为像素分割问题，难以解决具有挑战性的场景和速度问题。受到人类感知的启发，在严重遮挡和极端光照条件下的车道识别主要基于上下文信息和全局信息。基于这一观察结果，论文提出了一种新颖、简单但有效的公式，旨在实现极快的速度和具有挑战性的场景。具体地说，论文将车道检测的过程视为一个利用全局特征的基于行的选择问题。在基于行选择的帮助下，论文提出的公式可以显著降低计算成本。在全局特征上使用一个大的接受域，也可以处理具有挑战性的场景。此外，在此基础上，论文还提出了一个结构损失来明确地模拟车道的结构。
车道线检测论文Ultra-Fast-Lane-Detection-master代码复现过程
weixin_46716951的博客
01-15 9207
Ultra-Fast-Lane-Detection-master 摘要： 现代的车道检测方法主要将车道检测视为像素分割问题， 难以解决具有挑战性的场景和速度问题。受人类感知的启发， 严重遮挡和极端光照条件下的车道识别主要基于上下文信息和全局信息。 基于这一观察结果，我们提出了一种新颖、简单但有效的方案， 旨在极快的速度和极具挑战性的场景。 具体来说，我们将车道检测过程视为一个使用全局特征的基于行的选择问题。 在行选择的帮助下，我们的公式可以显著降低计算成本。 在全局特征上使用一个大的接收域，我们也可以处理
Ultra-Fast-Lane-Detection代码复现(车道线检测)
路边的石头
04-23 6704
Ultra-Fast-Lane-Detection code: https://github.com/cfzd/Ultra-Fast-Lane-Detection 环境准备 Clone the project git clone https://github.com/cfzd/Ultra-Fast-Lane-Detection cd Ultra-Fast-Lane-Detection Create a conda virtual environment and activate it con
Ultra-Fast-Lane-Detection-v2测试自己图像
weixin_43151193的博客
12-26 1301
Ultra-Fast-Lane-Detection-v2的目录结构中 demo提供了可视化的测试结果，结果以avi的形式放在根目录（window下不支持nvidia.dali包，所以务必在linux环境下调试），依据需求安装nvidia.dali
Ultra-Fast-Lane-Detection-v2-python onnx部署源码
02-03
【测试环境】 anaconda3+python3.8 opencv-python==4.7.0.68 onnxruntime==1.15.1 【使用说明】 注意：视频是我随便找的因为不同场景效果不一样，可以自己拍摄一个视频尝试 安装好环境后main_opencv使用纯opencv实现...
ONNXRuntime部署Ultra-Fast-Lane-Detection-v2车道线C++和Python源码模型
05-02
ONNXRuntime部署Ultra-Fast-Lane-Detection-v2车道线C++和Python源码模型
Ultra-Fast-Lane-Detection-v2 pytorch版
10-20
Ultra-Fast-Lane-Detection-v2 pytorch版 Ultra-Fast-Lane-Detection-v2官方原版数据加载用的nvidia.dali.pipeline Windows没有nvidia库，所以无法训练，数据增强也不方便，特地实现了pytorch的dataset版，可以训练...
如何mysql数据导入到mongdb
codemami的博客
05-30 1394
由于MySQL和MongoDB的数据模型不同（例如，MySQL使用关系模型，而MongoDB使用文档模型），你可能需要转换数据的格式。使用MongoDB驱动程序：你也可以使用MongoDB的官方驱动程序（如Python的pymongo）来编写脚本，将数据直接插入到MongoDB中。注意：如果你的JSON文件包含多个文档，并且它们不是作为数组的一部分（即每个文档都在其自己的行上），则需要使用--jsonArray选项。手动转换：对于小型数据集，你可以手动编辑SQL或CSV文件，将其转换为JSON格式。
在linux服务器上使用tensorboard，错误记录
wwwwzm的博客
05-30 1120
1. 使用tensorboard命令时，不是从虚拟环境中找tensorboard，而是从（全局路径）中找（/home/ljx/.local/lib/python3.9/site-packages/tensorboard）是一个在 Unix-like 系统（包括 Linux 和 macOS）的命令行界面（如 Bash shell）中使用的命令。2.使用which命令， 查看使用的tensorboard的路径，发现使用的是全局路径，不是虚拟环境路径。是一个特殊的变量，它定义了操作系统搜索可执行文件的目录。
基于NANO 9K 开发板加载PICORV32软核，并建立交叉编译环境
pocean2012的博客
05-30 1153
ISP的实现逻辑是出厂“芯片”（我们这里是软核）自带了BootLoader程序，即出厂引导程序，通过BootLoader可以将程序从串口（上位机）下载到Flash中，实际的时序是通过RST来区分正常启动还是烧录状态，然后上位机的烧录脚本来控制串口时序， 用户程序实际上是通过串口最终下载到了FLASH中，然后程序从flash启动。NANO 9K低成本体验FPGA开发，还是挺香的，官方例子有加载PICORV32软核的例子，可以建立简单的ISP编程环境，通过串口就可以加载程序，很方便。
Python热重载调试新利器
最新发布
weixin_53707653的博客
06-03 316
Reloading是一个Python工具库，它让我们可以在每次迭代之前从源代码中重新加载（或函数）而不丢失任何当前已执行过程。该工具对于在深度学习模型训练期间编辑源代码尤其好用，它让我们可以添加日志记录、打印统计数据或保存模型，而无需重新启动训练。
Python自动化脚本：文件分类
svygh123的专栏
06-01 364
要使用Python根据文件类型进行分类，可以遍历指定目录下的所有文件，检查每个文件的扩展名，然后根据扩展名将文件移动到对应的文件夹中。
ultra-fast-lane-detection原理
07-11
ultra-fast-lane-detection（超快速车道检测）是一种用于自动驾驶和智能交通系统的车道检测算法。它的原理基于计算机视觉和深度学习技术。 该算法通常包括以下步骤： 1. 图像预处理：将输入图像转换为特定的颜色空间（如灰度图像或HSV颜色空间），以便更好地处理车道线的特征。 2. 特征提取：通过应用滤波器或边缘检测算法，提取图像中的边缘信息。这些边缘通常与车道线的边界相关联。 3. 车道线检测：使用线段检测算法（如Hough变换）来检测图像中的直线段。这些直线段通常被认为是车道线的候选。 4. 车道线筛选：根据车道线的几何性质和先验知识，对候选车道线进行筛选和验证。例如，可以根据车道线的长度、斜率和位置进行筛选。 5. 车道线重建：通过将检测到的直线段连接起来，形成完整的车道线。此步骤可以使用插值或拟合算法来提高车道线的平滑度和连续性。 6. 车道线跟踪：使用历史信息和运动模型来跟踪车道线的位置和变化。这可以帮助算法在车道线不连续或遮挡的情况下仍然有效地检测和跟踪车道。 ultra-fast-lane-detection的关键在于优化算法的速度和性能，以满足实时应用的要求。它通常使用高效的计算和优化方法，如并行计算、GPU加速和模型量化等，以实现快速而准确的车道检测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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