PINet_new 车道线检测代码复现过程

最新推荐文章于 2024-03-19 22:28:20 发布
最新推荐文章于 2024-03-19 22:28:20 发布
阅读量973 收藏 7
点赞数 2
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/juruo111/article/details/119273712
版权

github源码：github
源码链接，已上传百度云链接：https://pan.baidu.com/s/10jv__0CbKdd-kUKpBP6JiQ
提取码：hroa

windows,GPU,CUDA(推荐10.0，cudnn百度查询相关匹配版本及配置教程,
pytorch1.0.1（pip无法下载 百度云链接链接：https://pan.baidu.com/s/1zlOpwnrcKhFUtD2AzWVMTA
提取码：o5a5）

  1. 下载源码，pycharm打开如图
    在这里插入图片描述
  2. 内部已经有原作者预训练的模型，自己选择添加测试数据
  3. 几处路径更改

parameters.py

line22 mode=? 0测试文件夹内全部图片，1测试视频，2测试单张图片
line12 save_path 结果保存路径
line13 model_path 调用的模型路径
line53 train_root_url 训练集路径
line54 test_root_url 测试集路径
在这里插入图片描述

上传的源码内已更改

data_loader.py

line50… 调用数据集相关json文件路径，上传的源码内已经更改
在这里插入图片描述

test.py

line 44 选择预训练的模型
line 66 测试视频文件路径
在这里插入图片描述

line 87 测试图片文件路径（图片尺寸要求1270*720）

效果截图

在这里插入图片描述

在这里插入图片描述

想要自己训练去下载TuSimple数据集TuSimple
根据自己显卡配置调整batch_size大小，显存多就往大了调
其他相关训练的模型保存路径配置原作者那有说（顶部github链接）

juruo111
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
PINet_tutorial:对车道检测关键点估计和点实例分割的论文综述
04-08
关键点估计和点实例分割 车道检测和显示的主题被选为大学生的工作设计任务。 在恶劣的环境下（例如雾，雨，夜，轻伤流血等）驾驶汽车时，通常很危险，因为看不到车道。 为了解决这个问题，我们打算使用平视显示器（HUD）技术中使用的方法。 现有车辆驾驶辅助设备（ADAS）中使用的HUD仅显示导航或速度表屏幕。 但是，如果根据车辆的整个挡风玻璃而不是根据驾驶员的视野来标记车道，即使在上述恶劣的环境中，也能确保驾驶员的车道能见度吗？ 此外，如果可以使用深度学习来标记擦除车道的区域而不是简单的车道识别，那将是很好的。 在Paperswithcode网站上选择了车道检测网络中最轻的模型。 （可能有一个更简单的模型，但首先让我们看一下PINet。） 抽象的 现有SOTA技术的问题 限制可检测车道的数量 FP率高（不稳定的自动驾驶） PINet的建议 （特征提取步骤）基于堆叠沙漏方法->车道的精确点估计 （估
【PINet】车道线检测代码复现过程
酸梅果茶的博客
06-23 3796
PINet车道线检测是什么，就不用多介绍了，可以看看原文，重点讲解一下效果复现过程。 https://arxiv.org/pdf/2002.06604.pdf 可以下载Github上的源码，也可以下载我上传百度云的源码。链接： 注意：Github上的有部分小问题，比如代码缩进等等（可能是作者上传的时候没有注意吧），需要自己修改一下。百度云上的是我自己测试过的，在服务器上跑的，没有问题。 Ubuntu18.04、GPU、CUDA（CPU的没测试过） python3.5 基本库都装好了，比如pytorch
【PINet车道线检测】代码复现过程
最新发布
Joining667的博客
03-19 1025
这是篇关于自动驾驶中车道检测技术的研究论文，标题为“Key Points Estimation and Point Instance Segmentation Approach for Lane Detection”，作者包括Yeongmin Ko、Younkwan Lee、Shoaib Azam、Farzeen Munir、Moongu Jeon和Witold Pedrycz。论文提出了一种名为Point Instance Network (PINet)的车道检测方法，该方法基于关键点估计和实例分割方法。
【LaneNet】Towards End-to-End Lane Detection: an Instance Segmentation Approach 代码复现
canpian7的博客
03-12 877
准备工作 Tensorflow版本1.14 数据集：tusimple数据集 复现代码lanenet-lane-detection-master 本地项目代码路径F:\car\code\lanenet-lane-detection-master 本地数据集路径F:\car\dataset\tusimple vgg.npy下载放在项目路径的data目录中 执行项目文件，脚本如下 src_dir是你自己的数据集的目录 cd lanenet-lane-detection/tools python tools/gen
Ultra-Fast-Lane-Detection代码复现(车道线检测)
路边的石头
04-23 6625
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
车道线检测（一）——PINet论文阅读
On my way
09-04 2395
2020年的一篇论文，基于关键点检测和实例分割技术提出一个Point Instance Network（PINet）来检测车道线。网络中包含几个同时训练的stacked hourglass networks，可裁切后不用再训练直接使用来减小模型运算量。网络可适应不同数量的车道线，在TuSimple数据集和Culane数据集上获得不错的精度和较低的false postitve。
车道线检测（二）——使用MNN部署PINet
On my way
09-06 1078
使用MNN部署PINet网络实现车道线检测
PINET_data.tar.xz
06-01
PINET_data.tar.xz
Awesome-Lane-Detection:带有车道检测代码的纸质清单
03-22
2018年ICCV 2019 DSP 2018IST 2018AAAI 20182017年 ICCV 2017代码 :laptop: ：深度学习中的车道检测 博客/教程 :pencil:1，LaneNet：自动驾驶实时车道检测网络 2，SAD：通过自粘性蒸馏学习轻型车道检测CNN 3，PiNet：...
pInet-开源
05-14
pInet是一个ActiveX Dll，为使用Internet协议（如ICMP ping，FTP，HTTP和Telnet）提供平台。 它是用VB编写的，可以在安装了VB6.0 Runtime的情况下部署到所有Win32 OS。
PINet
03-20
车道检测关键点估计和点实例分割方法 新版本位于 Python3，CULane和TuSimple的预训练权重，以及更高的性能。 相依性 python（我们在python 2.7上进行了测试） pytorch（我们在带有GPU（RTX2080ti）的pytorch 1.0.1...
车道线检测国外现状
06-23
车道线检测深度学习车道线检测深度学习深度学习车道线间测
关于车道线检测
qq_43222384的博客
04-26 648
原文链接 https://mp.weixin.qq.com/s/CgLmhLhMfo2SekLu9Q1O9w 在这篇文章中：前言awesome-lane-detection侃侃作者：Amusihttps://github.com/amusi/awesome-lane-detection前言这篇文章，搁置了至少5个月。关于车道线检测，CVer曾于2018-06-07转载了一篇文章：论文精读 | La...
车道线检测数据集
江小举的博客
01-22 4044
数据集名 总数量 标注方式 车道线类型 全部道路线 链接 Caltech Lanes 1K line 标注 是 http://www.mohamedaly.info/datasets/caltech-lanes tuSimple Lane 6K line 未标注 是 https://github.com/TuSimple/tusimple-benchmark/issues/3 ...
车道线检测-模型转换-前向验证
pandamax的博客
10-18 355
车道线检测 该项目使用 PINet 作为车道检测器，支持 VIL-100 的训练。 同时项目支持模型转换，包括onnx和caffe格式，以及模型部署前的模型前向加速处理。模型前向加速主要包括模型裁剪、简化和合并BN层。 同时，还包括模型转换后的一致性验证、余弦相似度。 项目github地址 Use PINet As an Lane Detetctor ...
已开源的车道线检测方法
浮生
01-28 2430
一些开源的车道线检测方法 LaneNet-Lane-Detection 最早发表在IV上的一篇文章，由国内的一个人实现了其代码：https://github.com/MaybeShewill-CV/lanenet-lane-detection End-to-end Lane Detection 2019年ICCV上发表的一篇文章。https://github.com/wvangansbeke/L...
车道线算法合集——各个车道线论文代码地址、算法总结、优劣分析
qq_37346140的博客
10-19 2169
车道线算法（SCNN、LaneNet、End2end by Least Squares Fitting、PINet、LaneATT、SAD）总结，以及其优缺点罗列。
近三年车道线检测paper with code
CV计算机视觉
07-14 1270
今天和大家分享2019-2021年车道线检测领域含有开源代码的论文。 ArXiv2021 LaneAF: Robust Multi-Lane Detection with Affinity Fields 论文下载地址：https://arxiv.org/pdf/2103.12040.pdf 开源代码地址：https://github.com/sel118/LaneAF CondLaneNet: a Top-to-down Lane Detection Framework Based on Conditio
MA-PINet 网络模型
09-05
### 回答1： MA-PINet 网络模型是基于多智能体系统的关系网络模型，主要用于解决图像处理中的图像分割任务，包括语义分割和实例分割。该模型通过对多智能体系统中智能体之间的相互作用进行建模，实现了对图像中不同部分的划分。 ### 回答2： MA-PINet是一种用于深度学习的网络模型，其名称均来自于英文单词。M代表多任务（Multi-Task），A代表注意力（Attention），P代表图像分割（Segmentation），I代表实例分割（Instance Segmentation），Net代表网络（Network）。 MA-PINet的设计目标是同时处理多个任务，并且能够自动学习图像中不同目标的特征表示。这种网络模型结合了多任务学习和注意力机制以及分割技术，使其在目标识别、图像分割以及实例分割等任务中具有出色的性能。 首先，在多任务学习方面，MA-PINet可以同时处理多个任务，例如目标识别、图像分割和实例分割。通过共享多个任务之间的特征表示和权重参数，使得神经网络能够更好地解决这些任务。这样的设计有助于提高模型的效率和准确性。 其次，MA-PINet中的注意力机制允许模型集中学习目标感兴趣的区域。通过分析图像中不同位置的重要性，可以自动调整模型的关注程度。这意味着模型将更加专注于目标区域，从而提高目标识别和分割的性能。 最后，MA-PINet还利用了图像分割和实例分割技术。图像分割是将图像分成若干个区域的过程，而实例分割则是将每个区域分配给不同的目标实例。这种结合可以更好地理解图像的语义内容，并实现对不同目标实例的准确识别。 总之，MA-PINet是一种多任务、注意力和分割相结合的网络模型，具有处理多个任务和自动学习目标特征的能力。通过将这些技术融合在一起，MA-PINet在目标识别、图像分割和实例分割等任务中具有较高的性能表现。

“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 3
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