SegFormer開源車道線檢測模型 - 輕量級設計，免費支持車道精準識別

首頁

Segformer Finetuned Lane 10k Steps

由Efferbach開發

基於SegFormer架構的輕量級車道線檢測模型，在lane_master數據集上微調10,000步

圖像分割

Transformers

開源協議:其他 #車道線分割 #交通場景識別 #輕量級模型

下載量 1,077

發布時間 : 4/7/2023

模型概述

該模型是NVIDIA SegFormer-b0在城市景觀數據集預訓練基礎上，針對車道線檢測任務進行微調的版本。專門用於識別道路場景中的左右車道線標記。

模型特點

高效車道線檢測

針對道路場景優化，可準確識別左右車道線

輕量級架構

基於SegFormer-b0的輕量設計，適合即時應用場景

遷移學習優化

在城市景觀預訓練模型基礎上微調，提升車道線檢測性能

模型能力

道路場景圖像分割

左右車道線識別

像素級語義分割

使用案例

智能駕駛

車道保持輔助系統

即時檢測車輛所在車道位置

平均交併比0.49，準確率0.737

道路場景分析

提取道路結構化信息用於高精地圖構建

🚀 segformer-finetuned-lane-10k-steps

該模型是 nvidia/segformer-b0-finetuned-cityscapes-512-1024 在 Efferbach/lane_master 數據集上的微調版本。它在評估集上取得了以下結果：

損失值：0.0365
平均交併比（Mean Iou）：0.4899
平均準確率：0.7371
整體準確率：0.7371
背景準確率：nan
左側準確率：0.7394
右側準確率：0.7348
背景交併比：0.0
左側交併比：0.7371
右側交併比：0.7325

📚 詳細文檔

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率（learning_rate）：6e-05
訓練批次大小（train_batch_size）：8
評估批次大小（eval_batch_size）：8
隨機種子（seed）：1337
優化器（optimizer）：Adam，β值為(0.9, 0.999)，ε值為 1e-08
學習率調度器類型（lr_scheduler_type）：多項式
訓練步數（training_steps）：10000

訓練結果

訓練損失	輪數	步數	驗證損失	平均交併比	平均準確率	整體準確率	背景準確率	左側準確率	右側準確率	左側交併比	右側交併比
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