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）

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：

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”。

4. 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。

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