Segformer Finetuned Lane 10k Steps

由 Efferbach 开发

基于SegFormer架构的轻量级车道线检测模型，在lane_master数据集上微调10,000步

图像分割

Transformers

开源协议:其他 #车道线分割 #交通场景识别 #轻量级模型

下载量 1,077

发布时间 : 4/7/2023

模型介绍

内容详情

替代品

模型简介

该模型是NVIDIA SegFormer-b0在城市景观数据集预训练基础上，针对车道线检测任务进行微调的版本。专门用于识别道路场景中的左右车道线标记。

模型特点

高效车道线检测

针对道路场景优化，可准确识别左右车道线

轻量级架构

基于SegFormer-b0的轻量设计，适合实时应用场景

迁移学习优化

在城市景观预训练模型基础上微调，提升车道线检测性能

模型能力

道路场景图像分割

左右车道线识别

像素级语义分割

使用案例

智能驾驶

车道保持辅助系统

实时检测车辆所在车道位置

平均交并比0.49，准确率0.737

道路场景分析

提取道路结构化信息用于高精地图构建

license: other tags:

图像分割
视觉
训练生成 model-index:
name: segformer-finetuned-lane-10k-steps results: []

segformer-finetuned-lane-10k-steps

该模型是基于nvidia/segformer-b0-finetuned-cityscapes-512-1024在Efferbach/lane_master数据集上微调的版本。其在评估集上的表现如下：

损失值：0.0365
平均交并比：0.4899
平均准确率：0.7371
总体准确率：0.7371
背景准确率：无数据
左侧车道准确率：0.7394
右侧车道准确率：0.7348
背景交并比：0.0
左侧车道交并比：0.7371
右侧车道交并比：0.7325

模型描述

需补充更多信息

预期用途与限制

需补充更多信息

训练与评估数据

需补充更多信息

训练过程

训练超参数

训练过程中使用了以下超参数：

学习率：6e-05
训练批次大小：8
评估批次大小：8
随机种子：1337
优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型：多项式衰减
训练步数：10000

训练结果

训练损失	周期	步数	验证损失	平均交并比	平均准确率	总体准确率	背景准确率	左侧准确率	右侧准确率	背景交并比	左侧交并比	右侧交并比
0.0792	1.0	308	0.0714	0.0148	0.0229	0.0225	无数据	0.0373	0.0085	0.0	0.0362	0.0083
0.0437	2.0	616	0.0502	0.1687	0.2775	0.2784	无数据	0.2492	0.3058	0.0	0.2343	0.2718
0.0326	3.0	924	0.0445	0.2614	0.4441	0.4479	无数据	0.3134	0.5748	0.0	0.3100	0.4742
0.0224	4.0	1232	0.0370	0.4048	0.6098	0.6100	无数据	0.6043	0.6153	0.0	0.6031	0.6113
0.0184	5.0	1540	0.0346	0.3820	0.5858	0.5870	无数据	0.5421	0.6295	0.0	0.5400	0.6060
0.0159	6.0	1848	0.0319	0.4367	0.6567	0.6573	无数据	0.6343	0.6791	0.0	0.6341	0.6760
0.0139	7.0	2156	0.0317	0.4555	0.6855	0.6860	无数据	0.6691	0.7019	0.0	0.6680	0.6986
0.0129	8.0	2464	0.0321	0.4348	0.6533	0.6535	无数据	0.6479	0.6588	0.0	0.6474	0.6571
0.0122	9.0	2772	0.0275	0.4541	0.6827	0.6830	无数据	0.6710	0.6943	0.0	0.6697	0.6927
0.0111	10.0	3080	0.0305	0.4609	0.6928	0.6927	无数据	0.6969	0.6887	0.0	0.6963	0.6865
0.011	11.0	3388	0.0286	0.4646	0.6988	0.6991	无数据	0.6890	0.7087	0.0	0.6883	0.7055
0.0103	12.0	3696	0.0298	0.4693	0.7058	0.7062	无数据	0.6939	0.7177	0.0	0.6932	0.7148
0.0097	13.0	4004	0.0293	0.4717	0.7090	0.7087	无数据	0.7184	0.6996	0.0	0.7176	0.6975
0.0093	14.0	4312	0.0330	0.4537	0.6835	0.6836	无数据	0.6775	0.6894	0.0	0.6768	0.6843
0.009	15.0	4620	0.0331	0.4804	0.7226	0.7226	无数据	0.7194	0.7257	0.0	0.7178	0.7234
0.0088	16.0	4928	0.0315	0.4890	0.7355	0.7357	无数据	0.7275	0.7435	0.0	0.7259	0.7411
0.0086	17.0	5236	0.0338	0.4813	0.7234	0.7234	无数据	0.7224	0.7243	0.0	0.7216	0.7223
0.0085	18.0	5544	0.0348	0.4743	0.7129	0.7126	无数据	0.7225	0.7033	0.0	0.7217	0.7012
0.0083	19.0	5852	0.0357	0.4812	0.7245	0.7244	无数据	0.7281	0.7210	0.0	0.7254	0.7183
0.0081	20.0	6160	0.0334	0.4829	0.7271	0.7269	无数据	0.7337	0.7205	0.0	0.7305	0.7182
0.0079	21.0	6468	0.0359	0.4773	0.7177	0.7177	无数据	0.7184	0.7170	0.0	0.7174	0.7146
0.0077	22.0	6776	0.0351	0.4874	0.7332	0.7329	无数据	0.7440	0.7223	0.0	0.7432	0.7190
0.0075	23.0	7084	0.0344	0.4855	0.7296	0.7292	无数据	0.7437	0.7156	0.0	0.7425	0.7141
0.0077	24.0	7392	0.0362	0.4799	0.7216	0.7216	无数据	0.7236	0.7196	0.0	0.7223	0.7174
0.0071	25.0	7700	0.0391	0.4775	0.7179	0.7180	无数据	0.7173	0.7186	0.0	0.7161	0.7163
0.0077	26.0	8008	0.0339	0.4895	0.7367	0.7366	无数据	0.7405	0.7329	0.0	0.7388	0.7297
0.0069	27.0	8316	0.0344	0.4858	0.7305	0.7305	无数据	0.7291	0.7318	0.0	0.7278	0.7297
0.0069	28.0	8624	0.0361	0.4844	0.7283	0.7282	无数据	0.7324	0.7243	0.0	0.7309	0.7221
0.007	29.0	8932	0.0371	0.4837	0.7273	0.7270	无数据	0.7360	0.7186	0.0	0.7345	0.7166
0.007	30.0	9240	0.0366	0.4854	0.7305	0.7303	无