深度学习——车位检测

学习目标：

Context-Based Parking Slot Detection With a Realistic Dataset
实现车位检测
检测效果

论文理解

配置环境：

安装包

• anaconda
• tensorflow-gpu 1.4
• tensorflow-io
• opencv
• shapely
• matplotlib

---

数据集


train和test 里面分别是 image 和label

数据格式：第一行 车位类别（0-3），第二行 车位角度（-90 - 90），之后每一行代表一个车位信息，第一个数 代表车位是否可用（0，1），之后是4个角点坐标。

数据集地址
代码地址
权重文件
1、先运行 prepare_data.py，数据增强和生成 tfrecord文件

import argparse
import os

from dataset import make_tfrecord, dataset_utils, data_augmentation

#################
# ArgumentParser
#################
parser = argparse.ArgumentParser(description="context-based parking slot detector")

parser.add_argument("--data_path", type=str, default="/home/idriver/project/ParkingSlot/context-based-parking-slot-detect/PIL_Park",
                    help="The path of the parking slot detection dataset.")

args = parser.parse_args()

# Prepare data for PCR test
make_tfrecord.run(os.path.join(args.data_path, "test"), 'test')
# Prepare data for PSD test
dataset_utils.create_detector_data_file(os.path.join(args.data_path, "test"), os.path.join(args.data_path, "test.txt"), include_non_park=True)

# Data augmentation for train
data_augmentation.run(os.path.join(args.data_path, "train"))
# Prepare data for PCR train
make_tfrecord.run(os.path.join(args.data_path, "train"), 'train')
# Prepare data for PSD train
dataset_utils.create_detector_data_file(os.path.join(args.data_path, "train"), os.path.join(args.data_path, "train.txt"), include_non_park=True)
# Prepare data for PSD train (Fine-tune)
dataset_utils.create_detector_data_file_fine_tune(args.data_path)

2、运行测试

python test.py --data_path='/home/idriver/project/ParkingSlot/context-based-parking-slot-detect/PIL_Park'

原始代码没有提供单张推理，和可视化，这是稍微修改了下，支持单张推理和可视化