Zhengyang Feng

> 我指的多类别是llamas dataset 的label ，将每一条车道线视为一类(跟tusimple一样)，而不考虑实线和虚线。 > 但是如果有区分实线和虚线的方法我也想知道。 > > Zhengyang Feng ***@***.***> 於 2023年6月2日 週五 下午5:04寫道： > > > @q36101 你说的多类别指的是区分实线虚线吗？ > > > > — > > Reply to...

@q36101 好像我理解错你的定义了。所有的评测都是instance为单位的，计算预测线（转化为点集合）和GT线（转化为点集合）之间的某种几何距离判定正确性。或者以点为单位计算acc（tusimple）。

应该理解为类似目标检测的评测，而不是分割。单位是instance。 你可以看llamas的python代码理解一下。

@q36101 不同算法有不同的输出格式（分割图，曲线表达式，点序列），根据数据集评测脚本的要求（如y坐标每10pixel采样一个x坐标），自行转换结果格式。你说的json文件是tusimple的格式吧，其他数据集是txt文件。你可以在这里找到转换的逻辑。

@Albertchamberlain 你可以在整个文件夹里搜索config里面的类名

@Albertchamberlain 可以看一下这个文档：[ADVANCED_TUTORIAL.md](https://github.com/voldemortX/pytorch-auto-drive/blob/master/docs/ADVANCED_TUTORIAL.md)。比较符合你的需求。

@dqq813 对于自己的数据集，这是有可能的。pseudo label相关方法，尤其在有标注数据很少时，泛化性不一定好。

可能要调整一下超参数

> 用有标签数据初始化两个模型时，Loss在2.0左右稳定。然而在迭代过程中，loss只有0.01左右，且一直震荡。是不是说明两个模型预测伪标签的差异很小，模型之间没有分歧，所以就不能利用模型之间的分歧去纠正伪标签。 有可能，你可以先试试普通的自训练，能不能带来提升

@dqq813 每次迭代的逻辑是一样的 （pseudo label + training），所以是直接用shell文件调用python文件实现的，例如 https://github.com/voldemortX/DST-CBC/blob/master/segmentation/dmt-voc-20-1.sh