cfzd
cfzd
@Xiangyin123 这个有差距是正常的，并不一定点集需要对齐anchor。我推荐你可以用cv2或者matplotlib吧这些数据都画出来，一行是一条车道线，每条车道线是[x1,y1,x2,y2,...]的形式组织的，画出来之后就可以看到问题了
@Xiangyin123 1. 宽度对评估结果影响是会很大，原始值30是在1640x590这个分辨率下的，你可以根据你的分辨率自行调整 2. 这个25和32代表的是做tta的坐标补偿，我们在做tta时，会把特征向左平移一个像素，然后做一遍预测，这样得到的车道线坐标是左偏的，这个值就是便宜量，因此加上这个就可以得到无偏的车道线
@Xiangyin123 对，你可以简单算一下，如果偏移一个格子，就是这个格子在原图上占多少个像素
@QIANXUNZDL123 https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2/blob/c903880678454dfd9b55a63022368db05c00bc6d/evaluation/tusimple/lane2.py#L62-L63 因为你ground truth中的样本数和你的预测的样本数不一致导致的 PS 你训练时的loss都nan了，你可能需要降低学习率
@layfolk001 我已经在 #124 这个issue中回复过你了
@Astulx 对的，没有问题。存在性分支和定位分支都是以行为单位的，就是说每一行或者列都会判断车道线的坐标和存在性，所以一条车道线会有多个坐标（就是你说的二维数组）和多个存在性。我们会通过存在性过滤掉不存在的车道线坐标点，最终剩下的坐标点就组成了一条车道线。
@thkimKETI You can simply replace the loading of test set to the validation set. https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2/blob/c903880678454dfd9b55a63022368db05c00bc6d/evaluation/eval_wrapper.py#L502
@guodaoyi 这个是一个超参，你可以自己调整。至于为什么row是2，col是4，是因为长度小于图像高度一半的，宽度1/4的车道线会被认为是过短的，会被滤除
@liwankuang CULane数据集的评估过程是这样进行的： 1. 对于每条张图，我会有数目不等的GT车道线，每条GT车道线会用一堆(u,v)点集描述 2. 同时对于每张图，会有预测的车道线，每条车道线也是由一堆预测的(u,v)点集描述 3. 生成一张空白的画布，将GT中的一条车道线的点集按顺序，以固定宽度（一般是30个像素）画出一条线 4. 同理画出一条预测的线条 5. 对比GT图和预测图的iou，如果iou>0.5就判断为正例，否则为反例（这个过程其实还包含GT和预测的匹配，使用匈牙利算法实现的，这里不重要略过） 6. 基于正例和反例就可以得到P,R,F1 https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2/blob/c903880678454dfd9b55a63022368db05c00bc6d/evaluation/eval_wrapper.py#L974
@licc0431 因为我们在训练网络时已经定好顺序了，左左、左、右、右右就对应着下标0,1,2,3，所以lane_idx = [1,2]就是左右车道id