图森TuSimple车道线检测数据集介绍

原文：

https://github.com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection

数据集下载地址：

道路上的对象可以分为两大类：静态对象和动态对象。 车道标记是高速公路上的主要静态组成部分。 他们指示车辆以交互方式安全地在高速公路上行驶。 为了鼓励人们解决高速公路上的车道检测问题，我们发布了大约7,000个1秒钟长的20帧长的视频剪辑。

车道检测是自动驾驶中的一项关键任务，它为汽车的控制提供定位信息。 我们为此任务提供了视频剪辑，每个剪辑的最后一帧都包含带标签的车道。 该视频剪辑可以帮助算法推断出更好的车道检测结果。 通过剪辑，我们希望竞争对手能提出更有效的算法。 对于自动驾驶车辆，时间/内存效率算法意味着更多资源可用于其他算法和工程流水线。

同时，我们希望参与者考虑自动驾驶车道的语义，而不是检测道路上的每个车道标记。 因此，注释和测试集中在当前车道和左/右车道上。

我们将有一个排行榜，显示提交的评估结果。 我们为前三名参赛者提供奖品，CVPR 2017自动驾驶挑战赛讲习班也将提及这些奖品。

数据集特征

复杂性：

1. 良好和中等天气条件
2. 白天不同
3. 2车道/ 3车道/ 4车道/或更多高速公路
4. 不同的交通状况

规模：

1. 训练：3626个视频剪辑，3626个带标注的帧（每个剪辑clips有20帧，最后一帧带有标注）
2. 测试：2782个视频剪辑

相机和视频片段：

1. 1s剪辑20帧
2. 相机的视线方向非常接近行车方向

注释类型：

1. 车道标记折线

数据集细节

目录结构

训练/测试数据集的目录结构如下。 我们有一个JSON文件来指导您如何使用clips目录中的数据。

dataset
|
|----clips/ # 视频剪辑
|------|
|------|----some_clip/ # 剪辑中的序列图像, 共20帧
|------|----…
|
|----tasks.json # 训练集中的标记数据，以及测试集中的提交模板。

示例

演示代码显示了车道数据集的数据格式和评估工具的用法。

import json
import numpy as np
import cv2
import matplotlib.pyplot as plt
from evaluate.lane import LaneEval
%matplotlib inline

假设我们有两个json文件，一个是ground truth，另一个是预测。

我们假设预测json文件中的每一行都对应于地面真实json，这意味着这两行都与同一张图片相关。

json_pred = [json.loads(line) for line in open('pred.json').readlines()]  # 二者好像没什么区别
json_gt = [json.loads(line) for line in open('label_data.json')]

pred, gt = json_pred[0], json_gt[0]
pred_lanes = pred['lanes']
run_time = pred['run_time']
gt_lanes = gt['lanes']
y_samples = gt['h_samples']
raw_file = gt['raw_file']

首先看一下图像。

img = plt.imread(raw_file)
plt.imshow(img)
plt.show()

其次看一下怎么用y_samples。

img_vis = img.copy()

for lane in gt_lanes_vis:
    for pt in lane:
        cv2.circle(img_vis, pt, radius=5, color=(0, 255, 0))

plt.imshow(img_vis)
plt.show()

再次我们看一下真值和预测值的样例。

gt_lanes_vis = [[(x, y) for (x, y) in zip(lane, y_samples) if x >= 0] for lane in gt_lanes]
pred_lanes_vis = [[(x, y) for (x, y) in zip(lane, y_samples) if x >= 0] for lane in pred_lanes]
img_vis = img.copy()

for lane in gt_lanes_vis:
    cv2.polylines(img_vis, np.int32([lane]), isClosed=False, color=(0,255,0), thickness=5)
for lane in pred_lanes_vis:
    cv2.polylines(img_vis, np.int32([lane]), isClosed=False, color=(0,0,255), thickness=2)

plt.imshow(img_vis)
plt.show()

现在，我们可以使用该工具根据数据评估预测。
benchmark网页上描述了评估指标。

np.random.shuffle(pred_lanes)
# 整个数据集上的准确率Acc、FP、FN
print LaneEval.bench(pred_lanes, gt_lanes, y_samples, run_time)

benchmark网页如下。

import numpy