车道线数据集详细介绍以及使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)

车道线数据集

  • 一、CULane Datesets
    • 1.1 介绍
    • 1.2 下载使用注意事项
  • 二、Tusimple
    • 2.1 介绍
  • 三、LLAMAS
  • 四、APOLLOSCAPE
  • 五、数据集遍历脚本工具

一、CULane Datesets

下载地址
论文地址

1.1 介绍

作者针对Caltech、Tusimple等数据集场景单一、数据量少、难度低等问题,用6辆车在北京不同时间录制了超过55小时,标注了133235张图片,超过Tusimple Dataset20倍的数据量。论文分成88880张作为训练集, 9675作为验证集,34680做测试集。数据集包含城市、农村高速等场景,每张图片用最多4条线进行标注,对向车道不标,对遮挡部分也标出来。测试集分为正常和8个挑战性类别,分别对应于下图9个示例。
对于每帧,用三次样条曲线手动注释行车道。对于车道标记被车辆遮挡或看不见的情况,仍会根据上下文注释车道,如(2)(4)所示。还希望算法能够区分道路上的障碍,如(1)中的障碍。因此,没有注释在障碍物另一侧的车道。在此数据集中,将注意力集中在四个车道标记的检测上,这在实际应用中最受关注。其他车道标记未标注。
数据集的分布如图:
车道线数据集详细介绍以及使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)_第1张图片

1.2 下载使用注意事项

如果使用百度云,请确保driver_23_30frame_part1.tar.gz 和 driver_23_30frame_part2.tar.gz中的图像解压缩后位于一个文件夹“ driver_23_30frame”中,而不是两个单独的文件夹中。
数据集文件夹应包括:

1.培训与验证的图像和注释:

  • driver_23_30frame.tar.gz
  • driver_161_90frame.tar.gz
  • driver_182_30frame.tar.gz

对于每个图像,将有一个.txt注释文件,其中每个行给出车道标记关键点的x,y坐标。

2.测试图像和注释:

  • driver_37_30frame.tar.gz
  • driver_100_30frame.tar.gz
  • driver_193_90frame.tar.gz

3.培训/认证/检测列表:

  • list.tar.gz

对于用于训练的train_gt.txt,每行的格式为“输入图像,每个像素的标签,四个0/1数字,指示从左到右存在四个车道标记”。

  1. Train&val的车道分段标签:
  • laneseg_label_w16.tar.gz

它是从原始注释生成的。
注意: training&val集的原始注释(不是分段标签)在2018年4月16日之前不正确。要更新到正确的版本,可以下载“ annotations_new.tar.gz”并覆盖原始注释文件或下载training&val。

工具类

要从原始注释文件生成每像素标签,可以使用此代码

二、Tusimple

下载地址

2.1 介绍

标注json 文件中每一行包括三个字段 :
raw_file : 每一个数据段的第20帧图像的的 path 路径

lanes 和 h_samples 是数据具体的标注内容,为了压缩,h_sample 是纵坐标(等分确定),lanes 是每个车道的横坐标,是个二维数组列表,每个元素对应于每张图片;列表中每个元素还是列表,共计四个元素,每个元素代表这张图片的一个车道线标记的横坐标。-2 表示这个点是无效的点,有的列表全是0,表明这个车道线不存在)。

标注的过程是将图片的下半部分如70%*height 等分成N份。然后取车道线(如论虚实)与该标注线交叉的点。

车道线数据集详细介绍以及使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)_第2张图片
车道线数据集详细介绍以及使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)_第3张图片

含有以下几种状况:
中等天气条件
白天不同的时间
2车道/3车道/4车道/或更多
不同的交通状况

数据集大小:
训练集:3626个视频剪辑,每个视频剪辑为1s拍摄的图片,共计20张
对于每个剪辑:3626个注释帧
测试集:2944个视频剪辑
每张图片==:1280 x 720
总计:3626张训练图像和2782张测试图像;每张图都提供了该图前19帧图像(不过这19帧是未标注的)

Tusimple 数据的标注特点
(1)车道线实际上不只是道路上的标线,虚线被当作了一种实线做处理的。这里面双实线、白线、黄线这类信息也是没有被标注的。
(2)每条线实际上是点序列的坐标集合,而不是区域集合
TuSimple 车道检测数据集车道边界的类标签工具

三、LLAMAS

论文地址
下载地址:
LLAMAS是无监督标记车道标记,用的相对较少。

四、APOLLOSCAPE

百度2018年公开(CVPR2018 workshops),包含多种道路目标的语义标签(车辆、车道等等),同时也有3D点云信息。
下载地址

五、数据集遍历脚本工具

仅供参考:遍历各个数据集工具

你可能感兴趣的:(人工智能,#,视觉相关,自动驾驶,计算机视觉,人工智能)