LSTR: 基于Transformer的车道形状预测

- 项目背景与意义
- LSTR的特性和功能
- 最新更新
- 即将推出的功能
- 模型资源库
- 数据准备
- 设置环境
- 训练和评估
- 引用
- 许可证
- 贡献
- 致谢

在计算机视觉领域，车道检测是自动驾驶和智能交通系统中的关键技术之一。我们推出了一种名为LSTR的车道形状预测模型，它基于Transformer架构，实现了端到端的车道形状参数输出。本文将介绍LSTR模型的设计思想、功能特性以及应用场景。

项目背景与意义

传统的车道检测方法通常分为多个阶段，包括特征提取、车道线识别和拟合等，这些阶段需要大量的人工设计和调整，而且容易受到环境光照、路面情况等因素的影响。LSTR的出现将车道检测简化为单阶段任务，极大地提高了检测的准确性和效率。

LSTR模型的特点包括模型参数少、计算复杂度低、训练友好等，不仅在理论上具有吸引力，而且在实际应用中也表现出色。其在TuSimple数据集上达到了96.18%的准确率，为自动驾驶和智能交通领域的应用提供了可靠的技术支持。
在这里插入图片描述

LSTR的特性和功能

😎 端到端架构: 直接输出车道形状参数，简化车道检测流程。
⚡ 超轻量级: 模型参数仅有765,787个，适用于资源受限的环境。
⚡ 超低复杂度: 计算复杂度仅为574.280M个乘加操作（MACs）。
😎 训练友好: GPU内存消耗低，使用大小为(360, 640, 3)的输入图像，批量大小为16时，仅占用1245MiB的GPU内存。

即将推出的功能

LSTR-nano（新的骨干网络）：在只使用LSTR 40%的MACs（229.419M）和40%的参数（302,546）的情况下，达到96.33%的TuSimple准确率。
马赛克增强。
基于Loguru的日志记录模块。
基于几何的损失函数。
分割先验。

模型资源库

我们提供了基线LSTR模型文件（在TuSimple训练和验证集上进行了500,000次迭代训练）：

./cache/nnet/LSTR/LSTR_500000.pkl（约3.1MB）。

数据准备

请从TuSimple下载并提取带有注释的TuSimple训练、验证和测试集。

我们期望目录结构如下所示：

TuSimple/
    LaneDetection/
        clips/
        label_data_0313.json
        label_data_0531.json
        label_data_0601.json
        test_label.json
    LSTR/

设置环境

Linux Ubuntu 16.04

conda env create --name lstr --file environment.txt

创建环境后，请激活它：

conda activate lstr

然后安装依赖：

pip install -r requirements.txt

训练和评估

若要训练模型：

（如果您只想使用训练集，请查看./config/LSTR.json并设置"train_split": “train”）

python train.py LSTR

训练期间可视化图像存储在./results中。
训练期间保存的模型文件（每5000次迭代）存储在./cache中。

要从快照模型文件训练模型：

python train.py LSTR --iter 500000

若要评估（在评估单个图像时GPU占用603MiB），然后您将看到论文的结果：

python test.py LSTR --testiter 500000 --modality eval --split testing

若要评估FPS（将–batch设置为最大以提高FPS，如果您每个图像重复16次，则GPU占用877MiB）：

python test.py LSTR --testiter 500000 --modality eval --split testing --batch 16

要评估并将检测到的图像保存在./results/LSTR/500000/testing/lane_debug中：

python test.py LSTR --testiter 500000 --modality eval --split testing --debug

若要评估并保存解码器注意力图（存储–debugEnc以可视化编码器注意力图）：

python test.py LSTR --testiter 500000 --modality eval --split testing --debug --debugDec

若要在一组图像上评估（将您的图像存储在./images中，然后检测结果将保存在./detections中）：

python test.py LSTR --testiter 500000 --modality images --image_root ./ --debug

在这里插入图片描述

引用

@InProceedings{LSTR,
author = {Ruijin Liu and Zejian Yuan and Tie Liu and Zhiliang Xiong},
title = {End-to-end Lane Shape Prediction with Transformers},
booktitle = {WACV},
year = {2021}
}

许可证

LSTR采用BSD 3-Clause许可证发布。更多信息请参阅LICENSE文件。

贡献

我们积极欢迎您的Pull请求！

致谢

DETR
PolyLaneNet
CornerNet

通过LSTR，我们致力于推动车道检测技术的进步，为智能交通系统的发展贡献力量！