Github
论文项目介绍：PytorchAutoDrive
PytorchAutoDrive是一个纯Python框架，旨在支持自动驾驶领域的感知任务，包括语义分割和车道线检测，其核心基于PyTorch。项目不仅在研究方面提供了从模型训练、测试到公平基准测试的完整支持，还在应用方面提供了可视化以及模型部署操作的支持。
项目背景
该项目涉及的论文《重新思考通过曲线建模提高车道检测效率》已被CVPR 2022收录，并在PyTorch开发者日进行了展示。值得注意的是，PytorchAutoDrive库正在积极开发中，上传的模型结果已稳定，适合用于进一步研究和应用。
项目亮点
- 多样化方法与广泛的骨干网络选择： 提供了基于配置的实现，代码模块化且易于理解。
- 支持多种训练和推理工具： 包括图像和关键点加载、转化与可视化、混合精度训练、TensorBoard日志记录。
- 模型部署： 支持ONNX和TensorRT格式的模型导出及部署。
- 性能优势： 项目中的模型训练速度更快，且通常比其他实现具有更好的性能。
支持的数据集
该框架支持多种数据集以满足不同任务需求：
- 语义分割： PASCAL VOC 2012、Cityscapes、GTAV、SYNTHIA
- 车道线检测： CULane、TuSimple、LLAMAS、BDD100K（开发中）
支持的模型
PytorchAutoDrive支持多种模型和方法，各自适用于不同的骨干网络：
- 语义分割任务： 包括FCN、DeeplabV2和DeeplabV3等模型。
- 车道线检测任务： 基于多种网络的Baseline、SCNN、RESA等方法。
模型库
项目提供详尽的模型结果、训练时间、Shell脚本及下载的训练模型，便于用户参考和使用。
安装与使用
项目提供了丰富的文档以协助用户使用：
- 安装指南： 详细说明如何准备环境和代码。
- 入门指南： 针对车道检测和语义分割分别提供了快速入门教程。
- 可视化与推理工具： 提供有关可视化和推理的详细教程。
- 基准测试工具： 涵盖FPS测试、FLOPs和内存使用量。
- 部署指南： 支持ONNX和TensorRT格式的模型部署。
贡献与研发
PytorchAutoDrive由Zhengyang Feng和Shaohua Guo维护，项目接受社区的贡献，并提供了贡献指南和学术引用格式以支持研究合作。
总而言之，PytorchAutoDrive凭借其健全的模型库和基础设施，成为自动驾驶感知研究和应用的有力工具，是相关领域研究人员和工程师必不可少的助手。
