SegFormerオープンソース車線検出モデル - 軽量級設計で、車線の高精度識別を無料でサポート

ホーム

Segformer Finetuned Lane 10k Steps

Efferbachによって開発

SegFormerアーキテクチャに基づく軽量車線検出モデル、lane_masterデータセットで10,000ステップのファインチューニングを実施

画像セグメンテーション

Transformers

オープンソースライセンス:その他 #車線分割 #交通シーン認識 #軽量モデル

ダウンロード数 1,077

リリース時間 : 4/7/2023

モデル概要

このモデルは、NVIDIA SegFormer-b0を都市景観データセットで事前学習した後、車線検出タスク向けにファインチューニングしたバージョンです。道路シーンにおける左右の車線マーカー識別に特化しています。

モデル特徴

高効率車線検出

道路シーンに最適化され、左右車線を正確に識別可能

軽量アーキテクチャ

SegFormer-b0ベースの軽量設計でリアルタイムアプリケーションに適応

転移学習最適化

都市景観事前学習モデルをベースにファインチューニングし、車線検出性能を向上

モデル能力

道路シーン画像分割

左右車線識別

ピクセルレベル意味分割

使用事例

自動運転

車線維持支援システム

車両の現在位置する車線をリアルタイム検出

平均IoU 0.49、精度0.737

道路シーン分析

高精度マップ構築のための道路構造情報抽出

🚀 segformer-finetuned-lane-10k-steps

このモデルは、nvidia/segformer-b0-finetuned-cityscapes-512-1024 を Efferbach/lane_master データセットでファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

損失: 0.0365
平均IoU: 0.4899
平均精度: 0.7371
全体精度: 0.7371
背景精度: nan
左精度: 0.7394
右精度: 0.7348
背景IoU: 0.0
左IoU: 0.7371
右IoU: 0.7325

📚 ドキュメント

トレーニング手順

トレーニングハイパーパラメータ

トレーニング中には以下のハイパーパラメータが使用されました。

学習率: 6e-05
トレーニングバッチサイズ: 8
評価バッチサイズ: 8
シード: 1337
オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
学習率スケジューラタイプ: 多項式
トレーニングステップ: 10000

トレーニング結果

トレーニング損失	エポック	ステップ	検証損失	平均IoU	平均精度	全体精度	背景精度	左精度	右精度	左IoU	右IoU
0.0792	1.0	308	0.0714	0.0148	0.0229	0.0225	nan	0.0373	0.0085	0.0362	0.0083
0.0437	2.0	616	0.0502	0.1687	0.2775	0.2784	nan	0.2492	0.3058	0.2343	0.2718
0.0326	3.0	924	0.0445	0.2614	0.4441	0.4479	nan	0.3134	0.5748	0.3100	0.4742
0.0224	4.0	1232	0.0370	0.4048	0.6098	0.6100	nan	0.6043	0.6153	0.6031	0.6113
0.0184	5.0	1540	0.0346	0.3820	0.5858	0.5870	nan	0.5421	0.6295	0.5400	0.6060
0.0159	6.0	1848	0.0319	0.4367	0.6567	0.6573	nan	0.6343	0.6791	0.6341	0.6760
0.0139	7.0	2156	0.0317	0.4555	0.6855	0.6860	nan	0.6691	0.7019	0.6680	0.6986
0.0129	8.0	2464	0.0321	0.4348	0.6533	0.6535	nan	0.6479	0.6588	0.6474	0.6571
0.0122	9.0	2772	0.0275	0.4541	0.6827	0.6830	nan	0.6710	0.6943	0.6697	0.6927
0.0111	10.0	3080	0.0305	0.4609	0.6928	0.6927	nan	0.6969	0.6887	0.6963	0.6865
0.011	11.0	3388	0.0286	0.4646	0.6988	0.6991	nan	0.6890	0.7087	0.6883	0.7055
0.0103	12.0	3696	0.0298	0.4693	0.7058	0.7062	nan	0.6939	0.7177	0.6932	0.7148
0.0097	13.0	4004	0.0293	0.4717	0.7090	0.7087	nan	0.7184	0.6996	0.7176	0.6975
0.0093	14.0	4312	0.0330	0.4537	0.6835	0.6836	nan	0.6775	0.6894	0.6768	0.6843
0.009	15.0	4620	0.0331	0.4804	0.7226	0.7226	nan	0.7194	0.7257	0.7178	0.7234
0.0088	16.0	4928	0.0315	0.4890	0.7355	0.7357	nan	0.7275	0.7435	0.7259	0.7411
0.0086	17.0	5236	0.0338	0.4813	0.7234	0.7234	nan	0.7224	0.7243	0.7216	0.7223
0.0085	18.0	5544	0.0348	0.4743	0.7129	0.7126	nan	0.7225	0.7033	0.7217	0.7012
0.0083	19.0	5852	0.0357	0.4812	0.7245	0.7244	nan	0.7281	0.7210	0.7254	0.7183
0.0081	20.0	6160	0.0334	0.4829	0.7271	0.7269	nan	0.7337	0.7205	0.7305	0.7182
0.0079	21.0	6468	0.0359	0.4773	0.7177	0.7177	nan	0.7184	0.7170	0.7174	0.7146
0.0077	22.0	6776	0.0351	0.4874	0.7332	0.7329	nan	0.7440	0.7223	0.7432	0.7190
0.0075	23.0	7084	0.0344	0.4855	0.7296	0.7292	nan	0.7437	0.7156	0.7425	0.7141
0.0077	24.0	7392	0.0362	0.4799	0.7216	0.7216	nan	0.7236	0.7196	0.7223	0.7174
0.0071	25.0	7700	0.0391	0.4775	0.7179	0.7180	nan	0.7173	0.7186	0.7161	0.7163
0.0077	26.0	8008	0.0339	0.4895	0.7367	0.7366	nan	0.7405	0.7329	0.7388	0.7297
0.0069	27.0	8316	0.0344	0.4858	0.7305	0.7305	nan	0.7291	0.7318	0.7278	0.7297
0.0069	28.0	8624	0.0361	0.4844	0.7283	0.7282	nan	0.7324	0.7243	0.7309	0.7221
0.007	29.0	8932	0.0371	0.4837	0.7273	0.7270	nan	0.7360	0.7186	0.7345	0.7166
0.007	30.0	9240	0.0366	0.4854	0.7305	0.7303	nan	0.7379	0.7231	0.7353	0.7208
0.0067	31.0	9548	0.0367	0.4866	0.7322	0.7321	nan	0.7357	0.7286	0.7335	0.7263
0.0068	32.0	9856	0.0364	0.4883	0.7348	0.7347	nan	0.7377	0.7318	0.7355	0.7295
0.0067	32.47	10000	0.0365	0.4899	0.7371	0.7371	nan	0.7394	0.7348	0.7371	0.7325