向AI转型的程序员都关注了这个号👇👇👇
0.1 任务
要求参赛者利用提供的训练数据，设计一个车道线检测和分类模型，来检测测试数据中车道线的具体位置和类别。样例示范：
0.2 数据集描述
本次赛题数据集包括x张手机拍摄的道路图片数据，并对这些图片数据标注了车道线的区域和类别，其中标注数据以灰度图的方式存储。
标注数据是与原图尺寸相同的单通道灰度图，其中背景像素的灰度值为0，不同类别的车道线像素分别为不同的灰度值，具体如下表所示：
3. 数据处理
参考项目从头搭建无人车车道线检测挑战赛解决方案中提到：
通过仔细观察，我们发现这些数据有一个共同的特点，就是图片的上三分之一部分都是天空，是没有车道线存在的，知道了这点后，我们就可以进行一个裁剪的过程，一下子就可以节省下三分之一的显存，是不是很爽呢？这里我选择裁剪上方690个像素的高度。
在本次比赛的数据集中，这种现象同样存在，因此本文也采用截去天空的方式进行训练，省下内存空间。本文的做法是直接裁剪掉图片的上半部分。
3.1 裁剪效果
注：如果感觉裁剪幅度过大，读者可自行修改裁剪比例
4. 开始训练
4.1 注意事项
训练时需要注意，默认PaddleSeg v0.6在Paddlepaddle 1.8.4的框架版本下paddle.enable_static()这句代码会报错，解决办法就是将pdseg/train.py中这行代码注释掉；后面pdseg/vis.py和pdseg/eval.py也需要进行相同操作。
4.2 类别不均衡问题处理
在PaddleSeg文档中，特别就类别不均衡问题的处理进行了说明：
在图像分割任务中，经常出现类别分布不均匀的情况，例如：工业产品的瑕疵检测、道路提取及病变区域提取等。
针对这个问题，您可使用Weighted softmax loss、Dice loss、Lovasz hinge loss和Lovasz softmax loss进行解决。
- Weighted softmax loss
Weighted softmax loss是按类别设置不同权重的softmax loss。
通过设置
cfg.SOLVER.CROSS_ENTROPY_WEIGHT参数进行使用。
默认为None. 如果设置为'dynamic'，会根据每个batch中各个类别的数目，动态调整类别权重。也可以设置一个静态权重(list的方式)，比如有3类，每个类别权重可以设置为[0.1, 2.0, 0.9]. 示例如下SOLVER: CROSS_ENTROPY_WEIGHT: 'dynamic'
由于比赛是一个分类问题，因此参考configs/lovasz_softmax_deeplabv3p_mobilenet_pascal.yaml的配置方式，对SLOVER进行设置。
而在比赛基线项目中，也给出了类别权重的计算过程：
4.3 DeepLabv3+模型finetune
这里参考文档的DeepLabv3+模型使用教程进行设置，参考config文件
https://gitee.com/paddlepaddle/PaddleSeg/blob/develop/tutorial/finetune_deeplabv3plus.md
5. 训练过程可视化
在可视化模块中配置logdir路径为PaddleSeg/vdl_log_dir可对训练过程进行监控
6. 生成预测结果
6.1 修改配置文件
这里注意要将不同分辨率的图片分开，然后修改配置文件中的:
EVAL_CROP_SIZE为EVAL_CROP_SIZE: (1920, 1080)或EVAL_CROP_SIZE: (1280, 720)- 对应的
VIS_FILE_LIST和TEST_FILE_LIST路径配置 BATCH_SIZE建议改为1，否在显存可能不够用
6.2 修改vis.py使其将预测结果输出为单通道灰度图
其实就是将灰度图转伪彩色部分的代码注释掉：
In [10]
# 对test_list2.txt和test_list3.txt分别进行预测，result目录下就是可提交的图片文件
!python pdseg/vis.py --use_gpu --cfg ./configs/deeplabv3p_resnet50_vd_cityscapes.yaml --vis_dir result预测可视化效果：
原文地址
https://aistudio.baidu.com/aistudio/projectdetail/1081298?channelType=1&channel=1
