爱站工具包手机版,赣州做网站公司,邯郸捕风科技有限公司,wordpress搬家后错乱目录 前言1. 车道线检测总结 前言 杜老师推出的 tensorRT从零起步高性能部署 课程#xff0c;之前有看过一遍#xff0c;但是没有做笔记#xff0c;很多东西也忘了。这次重新撸一遍#xff0c;顺便记记笔记。 本次课程学习 tensorRT 高级-自动驾驶案例项目self-driving-车道… 目录 前言1. 车道线检测总结 前言 杜老师推出的 tensorRT从零起步高性能部署 课程之前有看过一遍但是没有做笔记很多东西也忘了。这次重新撸一遍顺便记记笔记。 本次课程学习 tensorRT 高级-自动驾驶案例项目self-driving-车道线检测 课程大纲可看下面的思维导图 1. 车道线检测 这节我们学习车道线检测模型的分析我们的目的是找到车道线检测的 onnx分析其 onnx 的大致使用逻辑然后写出最简洁版本的 predict.py大体可以分为以下三步 1. 打开车道线检测的 onnx查看其输入与输出 2. 查看代码找到 onnx 的预处理分析得到预处理的逻辑 3. 针对获得的信息编写 predict.py尝试写出来 值得注意的是在这个案例中由于后处理过于复杂因此考虑合并到 onnx 中使得模型尽量的简单 在开始之前我们先对车道线检测任务进行一个简单的分析
对于常规的框回归任务例如求取下图中硬币在图像中的位置cx,cy,w,h其通常直接输出 4 个标量值进行回归 图1 常规框回归 目前最新的大家更倾向于使用位置概率点乘其位置作为输出值属于加权和如下图所示 图2 位置概率 这种方法将回归的坐标以 n 个位置概率进行表示例如对于 cx 的回归表示为 5 个概率可以认为对图像划分为 5 块然后 cx 更有可能落到哪一块上进行表述。例如落在图像中心上时其中心概率最高。有一种 attention 的味道。像 NanoDet、Alphapose 的后处理都与位置概率类似
车道线检测图如下所示 对于车道线检测任务我们是有一些先验知识的比如车道线一样是位于图像下半部分图像上半部分是天空无需考虑。另外检测的车道线通常是驾驶区域的 2 条加上两侧总共 4 条车道线还有车道线点坐标的 y 值是知道的我们会将图像按行划分为 N 个网格每条车道线输出的点数就是 N因此每个点的 y 我们是已知的唯一不确定的是每个点的 x 坐标这是需要模型学习出来的
那模型该如何回归这些点的 x 坐标呢其实是通过位置概率来实现的我们将图像按列分成 M 个网格网络需要输出的总数量是 4xNxM另外我们还要在列方向上增加一个维度用来判断该点是否存在因此网络的最终输出就是 4xNx(M1)
我们来观察下车道线的 onnx 模型如下图所示 图3 onnx模型 可以看到 onnx 模型的输入是 1x3x288x800其中输入图像的高度是 288宽度是 800输出是 1x201x18x4其中 4 代表 4 条车道线18 代表将图像下半部分划分为 18 行即 N18201 代表将图像下半部分划分为 201 列即 M200
我们分析总结可以得到如下信息
1. 输入是1x3x288x800
2. 输出是1x201x18x4
3. 对于车道线检测任务而言有一些定义或者说是先验
只需要识别 4 条线对于车道线基本是在地面上的因此 y 方向可以从图像中心开始也就是 anchor 起始坐标是图像中心到图像底部对于车道线的检测因为线是连续的因此这里可以转变为离散的点的检测对于一根线可以设计为 18 个点来描述因此回归一个点其 y 坐标已知x 坐标需要回归出来对于 x 的回归采用了位置概率来表示划分为 200 个网格表示其坐标对于车道线的点是否存在这个问题采用第 201 个概率表示若这个点不存在则 201 个点位置的值是最大的
我们再分析项目中的 image_processor/lane_engine.cpp 代码可以得出具体的预处理和后处理所做的工作(详细分析请参照视频)
预处理部分
图像的预处理直接是 image / 255.0图像需要从 BGR 到 RGB图像直接 resize 到 288x800
后处理部分
对 0-200 维度进行 softmax此时得到的是位置概率对位置概率和位置索引点乘相加得到 location此时 location 是 18x4对原始输出的最大值进行判断决定该点是否存在最后通过过滤得到 4 根线的坐标
我们可以简单的写个 demo 来验证下代码如下
import onnxruntime
import cv2
import numpy as np
import matplotlib.pyplot as plt
import scipysession onnxruntime.InferenceSession(workspace/ultra_fast_lane_detection_culane_288x800.onnx, provider_options[CPUExecutionProvider])image cv2.imread(workspace/imgs/dashcam_00.jpg)
show image.copy()
image cv2.resize(image, (800, 288))
image cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image_tensor (image / 255.0).astype(np.float32)
image_tensor image_tensor.transpose(2, 0, 1)[None]prob session.run([200], {input.1: image_tensor})[0][0]print(prob.shape)out_j prob
prob scipy.special.softmax(out_j[:-1, :, :], axis0)
idx np.arange(200) 1
idx idx.reshape(-1, 1, 1)
loc np.sum(prob * idx, axis0)print(loc.shape)# 201 x 18 x 4, 201 维度上找最大值
out_j np.argmax(out_j, axis0)
loc[out_j 200] 0col_sample np.linspace(0, 800 - 1, 200)
col_sample_w col_sample[1] - col_sample[0]
ys np.array([121, 131, 141, 150, 160, 170, 180, 189, 199, 209, 219, 228, 238, 248, 258, 267, 277, 287])xs loc * col_sample_w * show.shape[1] / 800
ys ys * show.shape[0] / 288colors [(0, 255, 0), (255, 0, 0), (255, 0, 0), (0, 255, 0)]for iline in range(4):for x, y in zip(xs[:, iline], ys):if x 0:continuecv2.circle(show, (int(x), int(y)), 5, colors[iline], -1, 16)cv2.imwrite(lane.jpg, show)输出如下图 图4 输出 可以看到输出符合我们的预期输出的车道线检测图如下所示 图5 车道线检测效果图 那如果要使用 tensorRT 进行推理你会发现后处理太复杂了我们需要考虑将后处理放到 onnx 中我们可以先导出后处理的 onnx 模型然后把它添加到我们的 onnx 模型中如下图所示 图6 复杂后处理放onnx 总结 本次课程学习了开源项目中的车道线检测案例主要是对车道线检测模型的 onnx 进行了简单分析并通过对项目代码的分析将预处理和后处理部分理清楚然后通过 onnxruntime 进行了简单验证随后将复杂的后处理部分塞到 onnx 中方便后续在 tensorRT 上执行推理
