UFAST车道线检测 Ultra-Fast-Lane-Detection 从环境搭建到复现完成（二）

有问题请留言，回复不及时的话请加我小微帮你解答：Gala_zmh_521
环境搭建与数据集下载上文已经处理过。
开源数据集准备：

Tusimple数据集的目录排列应如上所示，具体建立目录为在程序文件一级目录中建立TUSIMPLEROOT目录，如下：

这个文件是展示文件存储内容的，最终我是在我的c盘里面运行的程序，这个无所谓，只要注意程序中路径正确就行，上图中多了一些txt文件是下面运行程序生成的，你整理数据集的时候按照此次倒数第三个图进行整理数据集就行。

配置文件的修改：配置文件所在位置在./configs/tusimple.py 修改配置文件中的data_root以及log_path,根据作者指示，log_path应该放在这个项目之外，下面是我的路径。如果你没有log文件夹，自己创建一个。



运行test.py程序
在anaconda prompt中激活自己环境，然后cd到程序所在文件夹，使用如下代码

python test.py configs/tusimple.py --test_model tusimple_18.pth --test_work_dir ./tmp

结果如下【出结果前先说一下自己遇到的报错与问题】（简单说两句，复现过程中的所有指令都是在anaconda prompt命令窗口执行，安装的pytroch在pycharm中无法import成功，尝试一些方法也无法import，只能在anaconda prompt命令窗口输入）后来才知道这个问题是因为你的配置文件没有修改好，源码是采用的命令行的方式进行运行程序的，自己如果想直接在IDE中运行程序，去修改配置文件吧。

注意一点，如果你自己的电脑上面没有gpu的话，程序需要进行修改，上一篇文章我安装的pytouch是cpu版本的，是因为我的电脑只有cpu，如果你的电脑具有gpu，请下载相对应的gpu包。
程序修改：
需要在每个使用了.cuda()的程序前面用device判断一下torch是否可用，不行就用cpu，在前面添加程序：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

并将.cuda()改为

.cuda()  -->(修改为) .to(device)

Model.py中下载预训练模型，下载选Ture，不下载选Flase

Train.py中修改Ture改为Flase

（修改完接着执行test.py）将在下面文件夹中生成两个文件。

这两个文件是使用其他学者训练出来的模型，对测试数据进行测试，得出的检测标签。

{使用预训练模型将测试集整合成一个视频形式的结果文件（test.avi）

python demo.py configs/tusimple.py --test_model tusimple_18.pth

单独列出来}

执行下方命令进行训练，每一轮的训练模型都将会保存下来。存储在下方文件夹中：

python train.py configs/tusimple.py
 

这一篇是自己复现过程中的林林总总，比较杂，没有整理，需要参考的大概看看吧，遇到啥问题关注留言即可，看到就回复。后期去做自动标注。