如何快速上手tusimple-benchmark10分钟下载数据集并跑通第一次车道线检测评估【免费下载链接】tusimple-benchmarkDownload Datasets and Ground Truths: https://github.com/TuSimple/tusimple-benchmark/issues/3项目地址: https://gitcode.com/gh_mirrors/tu/tusimple-benchmarktusimple-benchmark是 TuSimple图森未来为 CVPR 2017 自动驾驶挑战赛发布的官方基准项目提供车道线检测数据集约 7000 段视频片段与速度估计数据集并附带官方评估脚本。本文是一份面向新手的完整指南教你如何下载车道线数据集、看懂标注格式并用自带的评估工具在 10 分钟内跑通第一次车道线检测评估。一、tusimple-benchmark 是什么项目包含两大经典任务任务内容标注方式️ 车道线检测3626 段训练视频 2782 段测试视频每段 1 秒、20 帧车道线折线每段 48 个采样点 速度估计1074 段训练视频 269 段测试视频每段 2 秒车辆 bbox 位置 速度车道线数据的特点很适合作为入门练习白天高速场景、2 车道以上道路、覆盖不同交通密度标注聚焦于本车道及左右相邻车道正是自动驾驶中车辆控制最关心的部分。二、30秒看懂项目结构仓库文件很少新手只需关注这几个地方evaluate/lane.py车道线检测的官方评估脚本核心类LaneEvalevaluate/velocity.py速度估计任务的评估脚本example/lane_demo.ipynb车道线数据格式演示 评估工具用法example/velocity_demo.ipynb速度估计数据格式演示doc/lane_detection/readme.md车道线数据集官方说明doc/velocity_estimation/readme.md速度估计数据集官方说明三、第一步获取项目并下载数据集克隆项目如需 clone仓库地址为 https://gitcode.com/gh_mirrors/tu/tusimple-benchmarkgit clone https://gitcode.com/gh_mirrors/tu/tusimple-benchmark.git cd tusimple-benchmark安装依赖评估脚本用到 numpy 和 scikit-learnpip install numpy scikit-learn ujson下载数据集车道线检测数据集约9GB2858 个标注帧下载地址记录在 guideline.md 与官方发布页中速度估计数据集及补充数据5066 张带框图片同样在该文档中提供。⚠️ 小提示项目仓库本身不包含数据文件只有评估代码和文档数据需按文档指引单独下载。四、第二步看懂车道线标注格式 数据集解压后的目录结构为dataset/ ├── clips/ # 视频片段每段 20 帧 │ └── some_clip/ └── tasks.json # 训练集标注 测试集提交模板标注文件是JSON Lines格式每行一个 clip 的标注核心字段只有三个raw_fileclip 中第 20 帧最后一帧的图片路径lanes车道线列表每条车道是 48 个横坐标 x 值-2表示该高度处无车道线h_samples48 个纵坐标 y 值与每条车道的 x 值一一对应把lanes[i]与h_samples按索引配对就能还原出车道线上的像素点——这也是官方评估的打分依据在固定的 48 个高度上逐点比对预测 x 值与真值 x 值。预测结果的提交格式与标注相同但需把h_samples换成run_time每帧推理耗时毫秒且提交的车道数不得超过真值车道数 2否则该帧直接记 0 分。五、第三步跑通第一次车道线检测评估 评估的核心逻辑都在 evaluate/lane.py 中调用方式非常简单from evaluate.lane import LaneEval # 输入预测车道、真值车道、高度采样点、推理耗时(毫秒) accuracy, fp, fn LaneEval.bench(pred_lanes, gt_lanes, y_samples, run_time)三个返回值的含义Accuracy越高越好48 个采样点上预测 x 值与真值差在阈值20 像素并按车道倾角修正内的比例FP假正率预测了但没匹配上真值车道线的比例FN假负率真值车道线被漏检的比例想完整走一遍读数据 → 可视化 → 评估的流程直接打开示例笔记本 lane_demo.ipynb 运行即可它会展示如何用zip(lane, y_samples)把标注画回图像上并用LaneEval.bench_one_submit(pred.json, label_data.json)输出 Accuracy / FP / FN 三项指标。⚠️ 新手必看的坑Python 2 语法evaluate/lane.py是 2017 年的代码使用了 Python 2 的 print 语法如print LaneEval.bench_one_submit(...)直接用 Python 3 运行会报SyntaxError。两种解决办法只在 Python 3 环境里import LaneEval调用其方法脚本主体是兼容的避开__main__里的旧式 print或把文件末尾的print xxx改成print(xxx)、except Exception as e中的e.message改成str(e)即可完整兼容 Python 3。六、加餐速度估计数据集 如果你的目标是只用摄像头感知周围车辆的运动可以转向速度估计任务训练集包含 1074 段 2 秒视频、3222 辆标注车辆位置 速度由雷达传感器生成评估指标为平均速度误差 EV与平均位置误差 EP并按近0-20m、中20-45m、远45m三个距离段分别计算后取平均。评估工具在 evaluate/velocity.py演示见 velocity_demo.ipynb。七、常用资料速查 资料路径车道线任务说明doc/lane_detection/readme.md车道线数据指南doc/lane_detection/guideline.md速度估计任务说明doc/velocity_estimation/readme.md车道线评估脚本evaluate/lane.py车道线演示笔记本example/lane_demo.ipynb总结tusimple-benchmark 虽然年代较早但结构极简、文档齐全是入门自动驾驶视觉算法的理想练手场——克隆仓库、下载车道线数据集、读懂48 点逐行标注格式、调用LaneEval.bench算出 Accuracy10 分钟即可完成从数据到评估的完整闭环。接下来你就可以在自己的模型上迭代和这份经典基准比一比了【免费下载链接】tusimple-benchmarkDownload Datasets and Ground Truths: https://github.com/TuSimple/tusimple-benchmark/issues/3项目地址: https://gitcode.com/gh_mirrors/tu/tusimple-benchmark创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
