第一步

1.解压项目代码，项目目录如下

lanenet-lane-detection-master
├─ .idea
│  └─ vcs.xml
├─ config
│  └─ tusimple_lanenet.yaml
├─ data
│  ├─ source_image
│  │  ├─ accuracy.png
│  │  ├─ binary_seg_loss.png
│  │  ├─ instance_seg_loss.png
│  │  ├─ lanenet_batch_test.gif
│  │  ├─ lanenet_binary_seg.png
│  │  ├─ lanenet_embedding.png
│  │  ├─ lanenet_instance_seg.png
│  │  ├─ lanenet_mask_result.png
│  │  ├─ network_architecture.png
│  │  ├─ qr.jpg
│  │  └─ total_loss.png
│  ├─ training_data_example
│  │  ├─ gt_binary_image
│  │  │  ├─ 0000.png
│  │  │  ├─ 0001.png
│  │  │  ├─ 0002.png
│  │  │  ├─ 0003.png
│  │  │  ├─ 0004.png
│  │  │  └─ 0005.png
│  │  ├─ gt_instance_image
│  │  │  ├─ 0000.png
│  │  │  ├─ 0001.png
│  │  │  ├─ 0002.png
│  │  │  ├─ 0003.png
│  │  │  ├─ 0004.png
│  │  │  └─ 0005.png
│  │  ├─ image
│  │  │  ├─ 0000.png
│  │  │  ├─ 0001.png
│  │  │  ├─ 0002.png
│  │  │  ├─ 0003.png
│  │  │  ├─ 0004.png
│  │  │  └─ 0005.png
│  │  ├─ train.txt
│  │  └─ val.txt
│  ├─ tusimple_ipm_remap.yml
│  └─ tusimple_test_image
│     ├─ 0.jpg
│     ├─ 1.jpg
│     ├─ 2.jpg
│     └─ 3.jpg
├─ data_provider
│  ├─ lanenet_data_feed_pipline.py
│  └─ tf_io_pipline_tools.py
├─ lanenet_model
│  ├─ lanenet.py
│  ├─ lanenet_back_end.py
│  ├─ lanenet_discriminative_loss.py
│  ├─ lanenet_front_end.py
│  ├─ lanenet_postprocess.py
│  └─ __init__.py
├─ LICENSE
├─ local_utils
│  ├─ config_utils
│  │  ├─ parse_config_utils.py
│  │  └─ __init__.py
│  └─ log_util
│     ├─ init_logger.py
│     └─ __init__.py
├─ mnn_project
│  ├─ config.ini
│  ├─ config_parser.cpp
│  ├─ config_parser.h
│  ├─ convert_lanenet_model_into_mnn_model.sh
│  ├─ dbscan.hpp
│  ├─ freeze_lanenet_model.py
│  ├─ kdtree.cpp
│  ├─ kdtree.h
│  ├─ lanenet_model.cpp
│  ├─ lanenet_model.h
│  └─ __init__.py
├─ README.md
├─ requirements.txt
├─ semantic_segmentation_zoo
│  ├─ bisenet_v2.py
│  ├─ cnn_basenet.py
│  ├─ vgg16_based_fcn.py
│  └─ __init__.py
├─ tools
│  ├─ evaluate_lanenet_on_tusimple.py
│  ├─ evaluate_model_utils.py
│  ├─ generate_tusimple_dataset.py
│  ├─ make_tusimple_tfrecords.py
│  ├─ test_lanenet.py
│  └─ train_lanenet_tusimple.py
├─ trainner
│  ├─ tusimple_lanenet_multi_gpu_trainner.py
│  ├─ tusimple_lanenet_single_gpu_trainner.py
│  └─ __init__.py
└─ _config.yml
 

2.解压数据集到data文件夹新建文件夹tuSimple内

tuSimple/
├── clips
│   ├── 0313-1
│   ├── 0313-2
│   ├── 0530
│   ├── 0531
│   └── 0601
├── label_data_0313.json
├── label_data_0531.json
├── label_data_0601.json
├── readme.md
└── test_tasks_0627.json

3.安装必要的环境

3.1 安装conda、pycharm和CUDA

安装anaconda(安装过程记得添加环境变量) https://www.anaconda.com/download/

安装pycharm，一个非常好用的python开发环境。(社区版) https://www.jetbrains.com/pycharm/download/download-thanks.html?platform=windows&code=PCC

CUDA下载网址(v10.0) https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_411.31_win10

双击安装先会安装一个安装程序。安装完成后会自动添加环境变量。

cuDNN下载网址(v7.4.2) https://pan.baidu.com/s/14Oisbo9cZpP7INQ6T-3vwA 提取码：z4pl

cuDNN操作 将cudnn目录下的文件移入到对应的cuda文件夹中（C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0）

3.2 创建conda环境

conda create -n py36 python==3.6
conda activate py36

然后配置好pycharm项目的python解释器。

3.3 安装环境必要的软件包

pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host=pypi.douban.com/simple

4. 生成用于训练的数据

4.1 生成training和testing文件夹

#脚本位于tools目录下
python generate_tusimple_dataset.py --src_dir=YOURPATH\data\tuSimple

几分钟后，在tuSimple目录下自动生成了training和testing两个目录，如下所示：

tuSimple/
|
├──training/
|   ├── gt_binary_image
|   ├── gt_image
|   ├── gt_instance_image
|   ├── label_data_0313.json
|   ├── label_data_0531.json
|   ├── label_data_0601.json
|   └── train.txt
└──testing/
    └── test_tasks_0627.json

4.2 分割出测试集

train.txt: 用来训练的图片文件的文件名列表 （训练集）2186 val.txt: 用来验证的图片文件的文件名列表 （验证集）720 test.txt 用来测试的图片文件的文件名列表 （测试集）720

该脚本仅生成了train.txt，我们可以手动分割一下train set和val set，也就是剪切train.txt中的一部分到一个新建的val.txt和test.txt文件中。

4.3 修改配置文件config/tusimple_lanenet.yaml

路径修改

DATASET:
    DATA_DIR: 'YOURPATH\data\tuSimple\training'
    IMAGE_TYPE: 'rgb'  # choice rgb or rgba
    NUM_CLASSES: 2
    TEST_FILE_LIST: 'YOURPATH\data\tuSimple\training\test.txt'
    TRAIN_FILE_LIST: 'YOURPATH\data\tuSimple\training\train.txt'
    VAL_FILE_LIST: 'YOURPATH\data\tuSimple\training\val.txt'

根据显卡配置修改batchsize(8)

TRAIN:
    MODEL_SAVE_DIR: 'model/tusimple/'
    TBOARD_SAVE_DIR: 'tboard/tusimple/'
    MODEL_PARAMS_CONFIG_FILE_NAME: "model_train_config.json"
    RESTORE_FROM_SNAPSHOT:
        ENABLE: False
        SNAPSHOT_PATH: ''
    SNAPSHOT_EPOCH: 8
    BATCH_SIZE: 8

4.4 将标注文件转换为tensorflow的record

首先编辑make_tusimple_tfrecords.py文件，插入

#脚本位于tools目录下
python make_tusimple_tfrecords.py --dataset_dir YOURPATH\data\tuSimple\training --tfrecords_dir YOURPATH\data\tuSimple\training\tfrecords

等待几分钟，脚本会在项目的data/training/tfrecords目录下生成相应的tfrecord文件

5. 训练

#脚本位于tools目录下
python train_lanenet_tusimple.py

或

python train_lanenet_tusimple.py --dataset_dir YOURPATH\data\tuSimple\training --multi_gpus False

tensorboar查看训练过程

cd tboard/tusimple/bisenetv2_lanenet
tensorboard --logdir=.

tensorboard查看模型在验证集上的 总损失(val_cost)、分割损失（val_binary_seg_loss）、嵌入损失（val_instance_seg_loss）以及分割精度（val_accuracy） 变化曲线