Ultra-Fast-Lane-Detection

这是Ultra-Fast-Lane-Detection模型在ResNet18模型上的训练部分，修改来自于cfzd/Ultra-Fast-Lane-Detection

Requirements

• 安装提供NPU支持的PyTorch和混合精度Apex模块
• 安装必备的依赖包，命令：pip3.7 install -r requirements.txt 注：pillow建议安装较新版本， 与之对应的torchvision版本如果无法直接安装，可使用源码安装对应的版本，源码参考链接：https://github.com/pytorch/vision ,建议Pillow版本是9.1.0 torchvision版本是0.6.0

Training

训练模型需要使用所需的模型架构和 Tusimple 数据集的路径运行 train.py：

# 1p train perf
bash test/train_performance_1p.sh     --data_path=数据集路径

# 8p train perf
bash test/train_performance_8p.sh     --data_path=数据集路径

# 8p train full
bash test/train_full_8p.sh     --data_path=数据集路径

# 8p eval 
bash test/train_eval_8p.sh     --data_path=数据集路径

# finetuning
bash test/train_finetune_1p.sh     --data_path=数据集路径

注意：

• 所有训练脚本内部开头都包含train.py和tusimple.py。
• 具体路径需要使用者自己修改，同理测试脚本包含的test.py和tusimple.py也需要使用者根据具体情况修改路径
• train_performance_1p.log # 1p下测试性能的结果日志
• train_performance_8p.log # 8p下测试性能的结果日志
• train_full_8p.log # 8p 下完整训练的性能和精度的结果日志
• train_eval_8p.log # 8p 下验证精度的结果日志
• train_finetune_1p.log # 1p下fine-tuning的结果日志

UFLD训练结果

Metric	FPS	Epochs	AMP_Type	Device
	153	1	O1	1p Npu
94.98%	1669	100	O1	8p Npu
	122	1	O1	1p Gpu
95.46%	832	100	O1	8p Gpu

Statement

For details about the public address of the code in this repository, you can get from the file public_address_statement.md