人工智能技术及应用 课件 张文安 ch7-车道线检测实践；ch8-人脸检测实践.pptx

7车道线检测实践LANELINEINSPECTIONPRACTICEChapter07

本章目录数据采集与标注01环境部署02模型训练03模型的量化04项目部署与落地05

本章总体介绍车道线检测是辅助驾驶中必不可少的一项，它的主要目标是通过计算机视觉和图像处理技术，从道路图像中精确提取出车道线的位置和形状信息。这些提取到的车道线信息可以用于车道保持、车道偏离预警、自动驾驶路径规划等应用。通过实现准确的车道线检测系统，可以提高驾驶安全性，减少交通事故的发生，并为驾驶员提供更好的驾驶体验。基于视觉的车道线检测方法可以分为：传统图像方法和深度学习方法两类。其中传统的图像检测方法可以通过边缘检测、滤波或是颜色空间的车道线检测等方式得到车道线区域，再结合相关图像检测算法实现车道线检测。但面对环境明显变化的场景并不能很好的检测，工作量大且鲁棒性差。而深度学习的方法有较好的鲁棒性，且准确率更高。它大致有基于分类和目标检测的方法和基于端到端图像分割的方法等相关车道线检测方法。而本书的车道线检测采用的是UNet的语义分割网络。

本章总体介绍车道线检测算法的流程如下图所示。主要思路是：通过素材采集获取训练要用的原始数据，再经过标注与生成标签图两个步骤将原始数据转化为可以被学习训练的素材，然后通过模型训练得到相应模型，最后经过模型量化、转换和部署等步骤将模型优化并转化成可被嵌入式平台运行的程序。车道线项目流程图

7.1数据集采集与标注素材的获取一般有两种途径，一种是自己利用相关设备如行车记录仪获取，另一种是通过下载公开的数据集获取。车道线检测相关的数据集有TuSimple、CULane、CurveLanes、BDD100k等。素材标注使用Labelme工具，本项目提供的例程的“数据集”文件夹内已经提供原图与对应标注文件，车道线识别项目对于车道线的标注有以下几点要求：需要标注的内容为图片中人眼可以识别的车道线，包括实线、虚线、白线和黄线。对于双线的车道线，两条分开标注。对于虚线中间没有车道线的部分进行补足。对于没有车道线的图片，直接跳过，不做处理。

7.1数据集采集与标注下图是按以上要求所给出的标注示例。车道线项目流程图相较于分类和目标检测，语义分割的素材多了一步从标签文件到分割图的转换。因为语义分割是像素级别的推理，每个像素点都有其对应的标签，因此在训练中，它的标签就是和它等大的一张分割图。

7.2环境部署深度学习的框架除了PyTorch外还有TensorFlow框架，本项目在TensorFlow框架下训练，所以在进行本章之前需要进行TensorFlow环境的搭建，其环境总体搭建步骤如下：（1）在Ubuntu系统（WSL2、虚拟机或多系统）下搭建TensorFlow环境的docker（2）在docker环境内安装本项目的相关库当然，若有需求也可以在创建一个docker容器后，在其内部建立conda的虚拟环境，然后安装本项目需要的TensorFlow环境与相关库。

7.2环境部署7.2.1docker环境部署针对不同的显卡，需要搭建不同的环境。本项目以30系显卡为例进行环境搭建介绍，30系显卡需要CUDA11.1，可以使用NVIDIA提供的docker镜像—NVIDIA-TensorFlow。如果没有安装过NVIDIA-docker，首先要进行NVIDIA-docker的安装，它是使用上述镜像的前提，如下是安装步骤：$distribution=$(./etc/os-release;echo$ID$VERSION_ID)$curl-s-Lhttps://nvidia.github.io/nvidia-docker/gpgkey|sudoapt-keyadd-$curl-s-Lhttps://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list|sudotee/etc/apt/sources.list.d/nvidia-docker.list$sudoapt-getupdate$sudoapt-getinstall-ynvidia-docker2

7.2环境部署7.2.1docker环境部署接着进行NVIDIA-TensorFlow的docker环境部署#拉取镜像nvidia-dockerpullnvcr.io/nvidia/tensorflow:20.10-tf1-py3#创建容器nvidia-dockerrun-d-it-p10022:22-p10500:5000-v/home:/home--namenvidia_tensorflownvcr.io/nvidia/