LaneNet 车道线检测项目

基于LaneNet的端到端车道线检测系统，使用PyTorch实现。

项目特点

• ✅ 完整的LaneNet模型实现（ENet编码器-解码器架构）
• ✅ 二值分割 + 实例分割双分支设计
• ✅ 判别损失函数用于实例聚类
• ✅ TuSimple数据集自动下载
• ✅ 完整的训练、评测、推理流程
• ✅ 可视化工具
• ✅ 支持图像和视频检测

项目结构

self_driving_automobile/
├── config/
│   └── config.py           # 配置文件
├── data/
│   ├── __init__.py
│   ├── dataset.py          # 数据集加载器
│   └── download_dataset.py # 数据集下载脚本
├── models/
│   ├── __init__.py
│   ├── lanenet.py          # LaneNet模型
│   └── loss.py             # 损失函数
├── utils/
│   ├── __init__.py
│   └── lane_utils.py       # 车道线后处理工具
├── train.py                # 训练脚本
├── evaluate.py             # 评测脚本
├── inference.py            # 推理脚本
├── requirements.txt        # 依赖包
└── README.md              # 说明文档

安装依赖

1. 创建Python环境（推荐）

# 使用conda
conda create -n lanenet python=3.8
conda activate lanenet

# 或使用venv
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows

2. 安装依赖包

pip install -r requirements.txt

主要依赖：

• PyTorch >= 1.10.0
• torchvision >= 0.11.0
• OpenCV
• scikit-learn
• matplotlib
• tqdm
• tensorboard

快速开始

步骤1：下载数据集

运行以下命令下载TuSimple数据集（约10GB）：

python data/download_dataset.py

数据集将自动下载到 data/tusimple/ 目录。

注意：如果自动下载失败，可以手动下载：

• 训练集: https://s3.us-east-2.amazonaws.com/benchmark-frontend/datasets/1/train_set.zip
• 测试集: https://s3.us-east-2.amazonaws.com/benchmark-frontend/datasets/1/test_set.zip

下载后解压到 data/tusimple/ 目录。

步骤2：训练模型

python train.py

训练参数可在 config/config.py 中修改：

• batch_size: 批次大小（默认8）
• num_epochs: 训练轮数（默认100）
• learning_rate: 学习率（默认0.001）

训练过程中会自动保存：

• Checkpoints: checkpoints/
• TensorBoard日志: logs/

查看训练日志：

tensorboard --logdir=logs

步骤3：评测模型

python evaluate.py --checkpoint checkpoints/best_model.pth

评测结果将显示：

• 平均准确率
• False Positives/Negatives
• 可视化结果保存在 visualizations/ 目录

步骤4：推理

图像检测

python inference.py \
    --checkpoint checkpoints/best_model.pth \
    --input /path/to/image.jpg \
    --output result.jpg \
    --type image

视频检测

python inference.py \
    --checkpoint checkpoints/best_model.pth \
    --input /path/to/video.mp4 \
    --output result.mp4 \
    --type video

模型架构

LaneNet

LaneNet采用编码器-解码器架构，包含两个分支：

1. 二值分割分支：检测车道线区域（前景/背景）
2. 实例分割分支：区分不同车道线（输出嵌入向量）

输入图像 (3, 256, 512)
    ↓
ENet编码器
    ↓
特征图 (128, 32, 64)
    ↓        ↓
二值解码器  实例解码器
    ↓        ↓
(2, 256, 512)  (4, 256, 512)
    ↓        ↓
二值分割    嵌入向量

损失函数

总损失 = 二值分割损失 + 实例分割损失

1. 二值分割损失：交叉熵损失
2. 实例分割损失：判别损失（Discriminative Loss）
   • 方差损失：拉近同一实例内的点
   • 距离损失：推远不同实例的中心
   • 正则化损失：让中心接近原点

配置说明

主要配置在 config/config.py：

数据集配置

DATASET_CONFIG = {
    'name': 'TuSimple',
    'root_dir': 'data/tusimple',
    'input_size': (256, 512),  # (height, width)
}

模型配置

MODEL_CONFIG = {
    'backbone': 'ENet',
    'embedding_dim': 4,      # 嵌入维度
    'input_size': (256, 512),
}

训练配置

TRAIN_CONFIG = {
    'batch_size': 8,
    'num_epochs': 100,
    'learning_rate': 0.001,
    'save_freq': 10,  # 每10个epoch保存一次
}

损失权重

LOSS_CONFIG = {
    'binary_weight': 1.0,
    'instance_weight': 0.5,
    'discriminative_delta_v': 0.5,
    'discriminative_delta_d': 3.0,
}

参考文献

1. LaneNet论文: Towards End-to-End Lane Detection: an Instance Segmentation Approach
2. ENet: ENet: A Deep Neural Network Architecture for Real-time Semantic Segmentation
3. Discriminative Loss: Semantic Instance Segmentation with a Discriminative Loss Function

许可证

MIT License