[English](ppvehicle_press_en.md) | 简体中文 # PP-Vehicle压实线识别模块 车辆压实线识别在智慧城市，智慧交通等方向具有广泛应用。在PP-Vehicle中，集成了车辆压实线识别模块，可识别车辆是否违章压实线。 | 任务 | 算法 | 精度 | 预测速度 | 下载链接| |-----------|------|-----------|----------|---------------| | 车辆检测/跟踪 | PP-YOLOE | mAP 63.9 | 38.67ms | [预测部署模型](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_ppvehicle.zip) | | 车道线识别 | PP-liteseg | mIou 32.69 | 47 ms | [预测部署模型](https://bj.bcebos.com/v1/paddledet/models/pipeline/pp_lite_stdc2_bdd100k.zip) | 注意： 1. 车辆检测/跟踪模型预测速度是基于NVIDIA T4, 开启TensorRT FP16得到。模型预测速度包含数据预处理、模型预测、后处理部分。 2. 车辆检测/跟踪模型的训练和精度测试均基于[VeRi数据集](https://www.v7labs.com/open-datasets/veri-dataset)。 3. 车道线模型预测速度基于Tesla P40,python端预测，模型预测速度包含数据预处理、模型预测、后处理部分。 4. 车道线模型训练和精度测试均基于[BDD100K-LaneSeg](https://bdd-data.berkeley.edu/portal.html#download)和[Apollo Scape](http://apolloscape.auto/lane_segmentation.html#to_dataset_href),两个数据集车道线分割[标签](https://bj.bcebos.com/v1/paddledet/data/mot/bdd100k/lane_dataset_label.zip) ## 使用方法 ### 配置项说明 [配置文件](../../config/infer_cfg_ppvehicle.yml)中与车辆压线相关的参数如下： ``` VEHICLE_PRESSING: enable: True #是否开启功能 LANE_SEG: lane_seg_config: deploy/pipeline/config/lane_seg_config.yml #车道线提取配置文件 model_dir: https://bj.bcebos.com/v1/paddledet/models/pipeline/pp_lite_stdc2_bdd100k.zip #模型文件路径 ``` [车道线配置文件](../../config/lane_seg_config.yml)中与车道线提取相关的参数如下： ``` type: PLSLaneseg #选择分割模型 PLSLaneseg: batch_size: 1 #图片batch_size device: gpu #选择gpu还是cpu filter_flag: True #是否过滤水平方向道路线 horizontal_filtration_degree: 23 #过滤水平方向车道线阈值，当分割出来的车道线最大倾斜角与 #最小倾斜角差值小于阈值时，不进行过滤 horizontal_filtering_threshold: 0.25 #确定竖直方向与水平方向分开阈值 #thr = (min_degree+max_degree)*0.25 #根据车道线倾斜角与thr的大小比较，将车道线分为垂直方向与水平方向 ``` ### 使用命令 1. 从模型库下载`车辆检测/跟踪`, `车道线识别`两个预测部署模型并解压到`./output_inference`路径下；默认会自动下载模型，如果手动下载，需要修改模型文件夹为模型存放路径。 2. 修改配置文件中`VEHICLE_PRESSING`项的`enable: True`，以启用该功能。 3. 图片输入时，启动命令如下(更多命令参数说明，请参考[快速开始-参数说明](./PPVehicle_QUICK_STARTED.md))： ```bash # 预测单张图片文件 python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ -o VEHICLE_PRESSING.enable=true --image_file=test_image.jpg \ --device=gpu # 预测包含一张或多张图片的文件夹 python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ -o VEHICLE_PRESSING.enable=true --image_dir=images/ \ --device=gpu ``` 4. 视频输入时，启动命令如下： ```bash #预测单个视频文件 python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ -o VEHICLE_PRESSING.enable=true --video_file=test_video.mp4 \ --device=gpu #预测包含一个或多个视频的文件夹 python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ --video_dir=test_videos/ \ -o VEHICLE_PRESSING.enable=true --device=gpu ``` 5. 若修改模型路径，有以下两种方式： - 方法一：`./deploy/pipeline/config/infer_cfg_ppvehicle.yml`下可以配置不同模型路径，车道线识别模型修改`LANE_SEG`字段下配置 - 方法二：直接在命令行中增加`-o`，以覆盖配置文件中的默认模型路径： ```bash python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ --video_file=test_video.mp4 \ --device=gpu \ -o VEHICLE_PRESSING.enable=true LANE_SEG.model_dir=output_inference ``` 测试效果如下：
## 方案说明 1.车道线识别模型使用了[PaddleSeg](https://github.com/PaddlePaddle/PaddleSeg) 的超轻量分割方案。训练样本[标签](https://bj.bcebos.com/v1/paddledet/data/mot/bdd100k/lane_dataset_label.zip)分为4类： 0 背景 1 双黄线 2 实线 3 虚线 车辆压线分析过滤虚线类； 2.车道线通过对分割结果聚类得到，且默认过滤水平方向车道线，若不过滤可在[车道线配置文件](../../config/lane_seg_config.yml)修改`filter_flag`参数； 3.车辆压线判断条件：车辆的检测框底边线与车道线是否有交点； **性能优化措施** 1.因摄像头视角原因，可以根据实际情况决定是否过滤水平方向车道线;