如何使用Ultra-fast-lane-detection训练自己的数据(1)

Ultra-Fast-Lane-Detection代码简读

Ultra-Fast-Lane-Detection源码链接
该代码中的配置如下：

1. configs/culane.py or tusimple.py：
   1.1. 两个文件基本配置一样 ，区分在dataset=‘CULane’ or ‘Tusimple’。这两个参数的不同直接影响的是选取的行坐标的长度和数值（row_anchor,该参数在./data/constant.py中定义。Tusimple数据的分辨率较大，选取的点较多，为56点，CULane数据为18个点）; griding_num = 200 代表将800宽分成200份。
   1.2. data_root赋值为数据的path（如./CULane/）
   1.3 其他参数就取决于个人训练的设置了。
2. data/constant.py：记载了网络训练时筛选出的固定行（该数据的数值是针对网络输入shape确定的，如原网络中的输入是(1,3,288,800), row_anchor的数值就是针对288设定的）
3. data/dataloader.py:加载图片并完成图片初始化的过程。
4. model/backbone.py: 定义网络的backbone函数，如原码使用的时resnet系列，具体使用哪几层网络，如果联系都是在这里定义的。
5. model/model.py:车道线检测网络定义，包含实例分割部分（parsingNet）。
   需要注意的文件基本上就以后几个文件。
   如果只想检测的训练一下作者的源码网络，只需要选定1中的数据类别，及具体的数据地址就行，其他的不需要修改直接运行
   提醒：平台配置一定要按照requirments.txt安装，低版本的环境可能运行不了。

修改网络输入大小

源码800*288的大小对于嵌入式平台而言，还是有点大，如何将shape修改成自己想要的大小呢？步骤如下：

1. 确定输入shape ，以（1,3,128,384) 为例；
2. 修改data/constan.py中_row_anchor的数值* ，_row_anchor数值是根据网络输入图片的高度确定的，但我们设置h=128时，如果你不修改_row_anchors的长度（长度也可以修改，看个人决定，但过少会影像检测的性能），只需要让原有的数值都×128/288即可，也可以自行设置,但不得大于127；
3. config/culane.py中修改griding_num：可以根据需要修改，也可以按照原来的代码等比例缩减，如800分200份，384分96份（384/4），以下假设修改为griding_num=96;
4. 修改 data/dataloader.py中get_train_loader()，get_test_loader()函数 ,将原有的（288,800)全部改为（128,384）;segment_transform中的（36,100）改为（128/8, 384/8）=（16,48），这个数据对应网络哦中aux部分的输出维度;其中cls_num_per_lane代表的就是*_row_anchor的个数，根据自己的修改填写。
5. 修改 **data/dataset.py中函数def _get_index(self, label)**中所有的288为128（共两处）；
6. 修改model/model.py中的class parsingNet(torch.nn.Module):部分 ，首先修改forward()函数里的fea = self.pool(fea).view(-1, 1800)为

# An highlighted block
fea_tmp = self.pool(fea)  #fea的shape为（？，8, 4, 12）
b,c,h,w = fea_tmp.shape  #fea_tmp shape为（？，8, 4, 12）
fea = fea_tmp.view(-1, c*w*h)

然后修改def__init__()函数中的

self.cls = torch.nn.Sequential(
            torch.nn.Linear(1800, 2048),
            torch.nn.ReLU(),
            torch.nn.Linear(2048, self.total_dim),
        )

为

self.cls = torch.nn.Sequential(
            torch.nn.Linear(384, 2048),  #384 = 8 * 4 * 12
            torch.nn.ReLU(),
            torch.nn.Linear(2048, self.total_dim),
        )

以上，在不改变model仅改变图片shape的情况下，所需要的修改就只有上面的部分。

修改backbone

1. 在model/backbone.py中定义自己的网络 ，在class resnet()中调用自己定义的接口，并根据该接口设置调用对应的feature层；且需要详细记录forward(self,x)中输出的x2, x3, x4的shape
2. 修改model/model.py ，根据x2,x3,x4的shape修改如下数据

self.aux_header2 = torch.nn.Sequential(
                conv_bn_relu(***[1]***, 128, kernel_size=3, stride=1, padding=1) if backbone in ['34','18'] else conv_bn_relu(512, 128, kernel_size=3, stride=1, padding=1),
                conv_bn_relu(128,128,3,padding=1),
                conv_bn_relu(128,128,3,padding=1),
                conv_bn_relu(128,128,3,padding=1),
            )
            self.aux_header3 = torch.nn.Sequential(
                conv_bn_relu(***[2],*** 128, kernel_size=3, stride=1, padding=1) if backbone in ['34','18'] else conv_bn_relu(1024, 128, kernel_size=3, stride=1, padding=1),
                conv_bn_relu(128,128,3,padding=1),
                conv_bn_relu(128,128,3,padding=1),
            )
            self.aux_header4 = torch.nn.Sequential(
                conv_bn_relu(***[3]***, 128, kernel_size=3, stride=1, padding=1) if backbone in ['34','18'] else conv_bn_relu(2048, 128, kernel_size=3, stride=1, padding=1),
                conv_bn_relu(128,128,3,padding=1),
            )

修改***[1]***为x2, x3, x4对应的c通道数值即可，
2. 注意修改**data/dataloader.py中get_train_loader()**中的segment_transform部分的shape为aux_seg的(h,w)哟！

以上！

Android端移植下次分享！