基于CULane数据集在windows cpu上跑通车道线检测算法LSTR
上一篇博客写了基于tusimple数据集在windows cpu上跑通LSTR测试的过程:https://blog.csdn.net/xywy2008/article/details/114691969
这篇博客介绍一下基于CULane数据集在windows cpu上跑通LSTR测试。
一、下载LSTR culane分支代码
项目地址:https://github.com/liuruijin17/LSTR/tree/culane
二、准备数据
下载CULane数据集,并解压,文件目录结构如下:
三、修改代码
修改代码,去掉cuda部分
1)修改nnet目录下的py_factory.py
2)修改test目录下的culane.py
3) 修改config目录下的LSTR_CULANE.json文件中的data_dir参数
四、执行测试
执行结果会存放在 ./results/LSTR_CULANE/500000/testing/lane_debug目录下
python test.py LSTR_CULANE --testiter 500000 --modality eval --split testing --debug
我在执行过程中遇到了一些问题,程序退出了,不过不影响,有一半的图片已经检测成功了。
结果如下:
五、基于该预训练模型检测自己的图片
1)在与test.py同级的目录下创建目录images,里面存储待检测图片
2)修改test目录下的images.py文件,去掉cuda部分
3)执行脚本
结果存储在 ./detections目录下
从上图中看出直接检测,效果并不理想,查看github源代码的issues, 参考 https://github.com/liuruijin17/LSTR/issues/31 中原作者的回复,将图片裁剪成和culane数据集中的图片相似。修改test目录下的images.py文件读图片部分的代码,添加裁剪。具体裁剪的尺寸根据自己的图片而定。
再次运行检测命令,结果如下:
从图中可以看出检测效果明显提高了很多。