一、复现

Github下载源码：https://github.com/cfzd/Ultra-Fast-Lane-Detection

（1）将GPU运算改为CPU运算：.cuda() -> .to(‘cpu’)

test.py中33行，demo.py中30行和69行，train.py中19行、27行和116行，evalution/eval_wrapper.py中92行

（2）取消argparse方式：见test3.py和scripts/convert_tusimple.py。

（3）运行test3.py

二、训练

（1）安装标注软件labelme：

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

（2）利用Edit中的Create Linestrip标注车道线，从左到右分别为Trackline1、Trackline2、Trackline3、Trackline4。

（3）标注完之后每个影像会形成一个json。

（4）将所有图像存在img文件夹中、将所有json存在josn文件夹中。将两个文件夹保存在new_data文件夹中，同时新建文件夹mask。

（5）运行convert_json.py，利用h_samples将json转化为tusimple需要的json格式。

（6）运行scripts/convert_tusimple.py，生成训练所需的txt文件（test.txt和train_gt.txt）。

重点在于.txt文件每行后边的1,1,1,1,如果后边1,1,1,1生成不正确，则训练的LOSS是降不下去的。在Ultra-Fast-Lane-Detection-master/scripts/convert_tusimple.py文件下的generate_segmentation_and_train_list(root, line_txt, names)函数，形成自己的车道线顺序。以4车道线为例1,1,1,1表示从左到右的车道线都存在；1,1,0,0,有2条斜率k<0的左侧线；0,1,0,0表示有1条斜率k<0的左侧线；0,0,1,0表示有1条斜率k>0的右侧线；经过分析发现，不会出现1,0,0,1或者1,0,1,0。也就是说0不能在中间只能在两边，这个是在训练时发现问题的关键。若有6条车道线，可按照 Ultra-Fast-Lane-Detection复现以及存在的问题 修改。

（7）修改configs/tusimple.py中的data_root参数，赋值为img和json所在的文件夹new_data路径。

（8）打开终端，切换当前项目路径，输入下列代码开始训练：

python train.py configs/tusimple.py --batch_size 8

三、部署

（1）修改model/model.py，对网络的输出层降维，由原来的[b,h,w,c]改为[h,w,c]，可见model/model_onnx.py。

group_cls=torch.squeeze(group_cls,0)

（2）运行import_onnx.py的cpu_import_onnx函数是将权重文件.pth导出.onnx，cpu_operate_onnx函数是调用.onnx测试效果。

（3）C++中opencv的版本需要是4.7以上的，dnn模块才能正常读取onnx文件做推理。

（4）运行opencv_lane.cpp。