车道线数据集统计

参考连接: https://blog.csdn.net/weixin_42234696/article/details/127257501
数据下载地址: https://opendatalab.org.cn/
（opendatalab搜索车道线，有很多公开分享的车道线的数据集）

1.1. TuSimple

拍摄介绍：主要采集区域国外高速公路上（安装在卡车的靠近车牌的位置），图像未畸变。
数据介绍：位于高速路，天气晴朗，车道线清晰；车道线以点来标注；车道线实际上不只是道路上的标线，虚线被当作了一种实线做处理的。这里面双实线、白线、黄线这类信息也是没有被标注的。
图片大小：1280x720，图片数量：6408（训练集：3626 ；验证集：2782）。
标签格式：json，点形式标注。
已下载使用

1.2. CULane

拍摄介绍：由不同驾驶员操控的六辆不同的轿车所安装的摄像头采集的，拍摄地点为北京城区道路和高速公路。该数据集采集了超过55小时的视频数据。
数据介绍：包含拥挤，黑夜，无线，暗影等八种难以检测的情况，最多标记4条车道线；
图片大小：1640x590；图片数量：133235（训练集：88880，验证集：9675，测试集：34680）。
标签：车道标注的就是当前车道和左右两车道（最多），不区分虚实线。
标签格式：txt点坐标格式。

已下载使用

1.3. BDD100k

拍摄介绍：视频分别是从美国不同的地方收集的，涵盖了美国4个区的不同的天气状况，包含晴天、阴天和雨天以及在白天和夜天的不同时间。轿车前置摄像头，所见即所得，城市道路和高速公路。数据集由100000个视频组成，每个视频大约40秒，720P，30fps，总时间超过1,100小时。BDD100K数据集在每个视频的第10秒抽取关键帧。
标签： 二维8类别车道线。（不提供车道实例的注释——在每一帧上，同一类型的多个车道没有分开并使用一个标签进行注释。）包括路缘石, 人行横道, 双白, 双黄, 双其他颜色, 单白, 单黄, 单其他颜色8个主要类别。
图片大小：1280x720；图片数量：10万张（训练：70000，验证：10000，测试：20000）。
标签格式：json格式。

不可使用原因：1.双线标注，类别未作区分。2.许多横向标注的车道线3.虚线标注的线段坐标未属于同一列表，仅将其并列。
目前想到的解决办法：将bdd100k车道线标签转成Labelme标注工具支持的json格式，用标注工具进行修正后再使用，但此方法工作量巨大。

1.4. ApolloScape

数据介绍：包含了35个车道标记类别（可合并），其中车道类别10种，主要是国内的城市道路，
140k张图片，特点是车道线以掩码的形式标注；
图片大小：3384x2710；图片数量：113653
标签格式：png格式。

不可使用原因：以掩码的形式标注，无法将同一条车道线的坐标划到一个列表中。

1.5. CurveLanes

特点：华为弯道检测数据集，采用三次样条曲线手动标注所有车道线,包括很多较为复杂的场景,如S路、Y车道,还有夜间和多车道的场景。
图片大小：2650x144，数量：分为训练集10万张，验证集2万张，测试集3万张；
标签格式：json格式。

已下载使用

1.6. LLAMAS

特点：使用了 14 条高速公路记录，每条大约 25 公里，收集传感器数据以在我们的数据集中标记图像。国外高速。
标签：博世公司车道标记数据集,标注不是人工标注，而是高精地图生成的，全是高速场景。超过100米的注释，摄像头大致位于汽车外部的车牌处。彩色图额外提供了原图的灰度图，总共4类。
图片大小：1276 x 717，图片数量： 79113 （训练集：58269 验证集：20844 测试集：20929（无标签））
标签：左虚车道线，右虚车道线，左实车道线，右实车道线。
标签格式：以点json格式（三维坐标）。

暂未下载使用

1.7. VPGNet

拍摄介绍： 在恶劣的天气条件下，在车内（中间）安装了一个摄像头。首尔市中心拍摄城市交通场景，摄像头可能拍到雨刮器。
数据类型：包含白天（非雨天、雨天、大雨天）、夜晚的数据，同时包含了各种车道线类型，三周驾驶，以及其他不同类型的车道标识（左转箭头、直行箭头、斑马线等）。
图片大小：1288×728，图片数量：20k张，21097张；
标签格式及类别：标签以及原图均为mat格式，包含了各种车道线类型，以及其他不同类型的车道标识（左转箭头、直行箭头、斑马线等等）；
手动标注车道和道路的拐角点。角点连接起来形成一个多边形形成每个对象的像素级掩码注释。

未使用原因：暂不知道如何处理mat格式图像和标签。

1.8. VIL-100

拍摄介绍：包含100个视频，其中97个视频是通过车载前置摄像机拍摄，3个则从网络上获取。涵盖正常路况、拥挤路况、弯道、受损道路、阴影、道路标志、强光、雾霾、夜晚和十字路口10类经典场景。我们将所有视频的帧率从最初的30fps下采样到10fps，对每帧中的所有车道线提供了实例级标注。
图片大小：1920x1080，1280x720，960x480，统一处理成1280x720；图片数量：10000。
标签：总共有10个类别的车道线，（单白实心、单白虚线、单黄实心、单黄虚线、双白实心、双黄实心、双黄虚线、双白实心虚线、双白虚线实线、双实白黄。）
标签格式：json格式，处理成txt点坐标格式。

已下载使用

1.9. SDLane

视频拍摄于韩国，捕捉高速公路和城市地区的挑战性场景。手动注释了每个场景道路上所有可见车道标记的2D车道几何形状。此外，为了更好地推断自我车辆的位置，注释了每个车道相对于最左侧车道标记的索引。
图片大小：1920 x 1208，图片数量：34310（训练集：30515，测试集：3795）。
标签格式：json格式。

未使用原因：韩国的车道线、标注方法与国内的有冲突。

1.10. Caltech

一共约1.2k张图片，场景比较简单，且视角较好；图片大小：640x480；

无法使用原因：图像与其他数据集图像有所不同。

1.11. OpenLane

OpenLane包含20万帧、超过88万条实例级车道、14个车道类别（单白色虚线、双黄色实体、左/右路边等），以及场景标签和路线邻近目标（CIPO）注释，以鼓励开发车道检测和更多与工业相关的自动驾驶方法。
暂未使用。