Skip to content

Latest commit

 

History

History
103 lines (86 loc) · 3.07 KB

README.md

File metadata and controls

103 lines (86 loc) · 3.07 KB
Raw

当前车道可行驶区域分割

本项目采用的网络模型为mask-rcnn，代码主要来源于开源项目matterport project。在项目中，将驾驶场景图像中的信息按照当前车道'可行驶区域'和'非可行驶区域（即背景类）'进行标注。标注示意图见下图 avatar

实验环境配置

1.Requirements

  • cudatoolkit9.0
  • cudnn7.1.2
  • python3.6.5
  • numpy
  • cython
  • scipy
  • Pillow
  • matplotlib
  • scikit-image==0.13.0
  • tensorflow-gpu>=1.3.0
  • keras>=2.1.5
  • opencv-python
  • h5py
  • imgaug

2.使用anaconda配置示例

  • 创建envs, 以envs创建名为mask-rcnn为例
conda create -n mask-rcnn python==3.6.5
  • 激活envs
source activate mask-rcnn
  • conda安装Requirements
conda install requirement_name
  • tips:如果安装过程慢，建议使用中科大源或清华源等。tensorflow建议版本：tensorflow-gpu==1.7.0
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
  • 安装cocoapi
$ git clone https://github.com/cocodataset/cocoapi.git
$ cd coco/PythonAPI
$ make
$ make install
$ python setup.py install

数据集

数据集来源于BDD100K中的drivable area，只保留数据集标签中的directly drivable area类，并将数据集格式转换为coco数据集格式。该数据集的目录结构为：

drivable
|_ drivable_train2019
|  |_ <im-1-name>.jpg
|  |_ ...
|  |_ <im-N-name>.jpg
|_ drivable_validate2019
|  |_ ...
|_ drivable_test2019
|  |_ ...
|_ annotations
   |_ instances_drivable_train2019.json
   |_ instances_drivable_test2019.json
   |_ instances_drivable_validate2019.json

将数据集文件drivable放在data文件目录下。

Training

在mask_rcnn_drivable.py修改HOME_DIR，即该项目存放的地址，AP.py和demo_for_video.py也需要做相同修改


$ source activate mask-rcnn
$ cd current-lane-drivable-master/mask-rcnn/notebooks
$ python mask_rcnn_drivable.py

在weights目录下提供了可用于预训练的权值文件mask_rcnn_drivable_res50.h5和mask_rcnn_drivable_res101.h5，分别作为BACKBONE为resnet50和resnet101预训练权值。 权值文件下载https://pan.baidu.com/s/1H6qZneMSZVj3p7cmOOUSSQ 提取码: 1bfw

Test

AP.py可计算在不同IoU下的检测精度
训练与测试图像输入为1024*1024

backbone AP（IoU=0.5） AP（IoU=0.75） model storage（MB）
resnet101 98.4 86.6 255.9
resnet50 94.2 78.2 179.2

|

Demo

demo_for_video.py可处理输入的视频。 修改HOME_DIR

avatar

小结

此实验BACKBONE为resnet,探索此方法在当前车道进行可行驶区域分割的效果。 道路边缘分割呈现规则的波浪状，模型的mask预测存在改进空间。