具体原理及原文理解可参考PolyLaneNet最新车道线检测开源算法多项式回归实时高效论文地址https://arxiv.org/pdf/2004.10924.pdf代码地址https://github.com/lucastabelini/PolyLaneNet推动自动驾驶技术取得巨大进步的主要因素之一是深度学习技术的出现。对于更安全的自动驾驶汽车来说目前尚未完全解决的问题之一是车道检测。因为这个任务的方法必须是实时的(30帧/秒)它们不仅必须是有效的也必须是高效的(例如有很高的精确度、快速)。在这项工作中我们提出了一种新的车道检测方法它使用一个安装在车上的向前看的摄像头的图像作为输入并通过深度多项式回归输出多项式来表示图像中的每个车道标记。该方法在保持效率(115帧/秒)的前提下与现有的方法相比具有一定的竞争力。此外广泛的定性结果在两个额外的公共数据集被提出以及在最近的工作中用于车道检测的评价指标的局限性。最后我们提供了源代码和经过训练的模型允许其他人复制本文中显示的所有结果这在最先进的车道检测方法中是非常罕见的。本文详细介绍怎样复现训练、测试流程。ubuntu系统windows系统可能会出现问题python3.6.9pytorch1.4.0torchvison0.5.0其他库详见requirements.txt首先从github上下载作者的源码。然后新建几个文件夹如下图。【一定要注意文件夹的路径作者在readme.md中提到不多稍不留神就是各种报错】根目录为PolyLaneNet-masterPolyLaneNet-master文件夹下新建experients文件夹experients文件夹下再新建一个tusimple文件夹PolyLaneNet-master文件夹下新建tusimple文件夹里面存放训练数据集将tusimple数据集的train_set文件夹下的clips文件夹和3个json文件拷贝到根目录下的tusimple文件夹中。新建完文件夹之后需要修改cfgs文件夹中的yaml文件。可以将./cfgs/tusimple.yaml文件拷贝到根目录中将root: I:/PolyLaneNet-master/tusimple修改成自己的路径训练数据集路径需要修改两处root。运行命令开始训练。python3 train.py--exp_name tusimple--cfg tusimple.yaml--exp_nameExperiment name.--cfgConfigfileforthe training(.yaml)--resumeResume training. If a training session was interrupted, run it again with the same arguments and this option to resume the training from the last checkpoint.--validateWheter to validate during the training session. Was notinour experiments,whichmeans it has not been thoroughly tested.--deterministicsetcudnn.deterministicTrue and cudnn.benchmarkFalse【运行train.py的时候会下载主干网络efficientnet-b0大约20M左右。】【默认是训练2695次需要修改训练次数也是在tusimple.yaml文件中修改。】训练模型训练文件保存在./experients/tusimple/models/文件夹中。如下图训练完成之后进行测试。python3 test.py--exp_name tusimple--cfg config.yaml--epoch2695