比赛背景

随着车辆的普及和人们出行需求的提升，对地图导航提出了更好的要求。基于车载影像的AR导航系统能够精准快速的识别车道线、行驶区域，不仅能够辅助驾驶系统进行高效的决策，同时结合终端渲染与语音技术，也能够为用户带来更为智能精准的导航体验。

作为『新一代人工智能地图』的百度地图，秉承着『用科技让出行更简单』的使命，借助于图像识别、语音识别、大数据处理等人工智能技术，大幅提升地图数据采集和处理的自动化程度，实现道路覆盖超过1000万公里，已成为业内AI化水平最高、搭载的AI技术最强最丰富的地图数据厂商。本次比赛数据由百度地图提供，要求在统一的计算资源下，能够对车载影像中车道线、斑马线等区域进行快速精准的识别。

本次竞赛的题目和数据由百度地图数据引擎部提供，模型和基线相关技术支持由深度学习技术平台部提供，一站式AI开发平台AI Studio由百度AI技术生态部提供。期待参赛者们能够以此为契机，共同推进智能交通领域的发展。欢迎全球范围开发者积极参与，鼓励高校教师积极参与指导。

基线程序说明

• 采用官方PaddlePaddle-GPU v2.2的环境，使用PaddleSeg-Release2.3的框架进行训练、推理、结果生成
• 在基线中，将官方提供的数据划分成训练集：验证集=8:2，用户可根据自身情况进行划分

赛题说明

本次大赛提供3类共计16000张图像数据，根据其中1~3类分别为实车道线、虚车道线、斑马线。

(一) 比赛环境准备

# 首先从gitee上下载PaddleDetection和PaddleSeg程序
# 此步骤已经完成，在此基线环境内，不需要再次进行
# 当前为大家提供了PaddleSeg2.1版本做为基线，用户也可以选择PaddleSeg2.2、2.3或者develop版本。
#%cd work/
#!git clone https://gitee.com/paddlepaddle/PaddleSeg.git 

# 查看一下是否下载成功
!ls /home/aistudio/work

# 在AIStudio环境中安装相关依赖
!pip install paddleseg -i https://mirror.baidu.com/pypi/simple

(二) 比赛数据准备

# 训练集和验证集数据解压缩
!unzip -d /home/aistudio/data/ /home/aistudio/data/data125507/data_2022_baseline.zip

(三) 语义分割模型训练及模型转换

A. 增加比赛配置文件

# 首先进入到PaddleSeg环境中
%cd /home/aistudio/work/PaddleSeg/
!ls

# # 官方数据已经为我们提供好了train_list.txt和val_list.txt的文件，为了将比赛的数据集与现有的区分开，这里新建一个数据集配置文件
# 新的配置文件命名为car2022.yml，存放路径为:PaddleSeg/configs/_base_/car2022.yml
!ls /home/aistudio/work/PaddleSeg/configs/_base_/

# 语义分割模型使用bisenet，在PaddleSeg/configs/bisenet/路径下，已经写好了针对本次比赛的bisenet_car_480x480.yml
!ls /home/aistudio/work/PaddleSeg/configs/bisenet/

B. 训练并保存模型

# 下面使用已经写好的配置文件，开始训练
# 基线程序中训练了1个epoch，并且已经保存了该模型，如果想跑流程的话，可以不用训练，直接进入到下一步转换模型步骤
!python train.py --config configs/bisenet/bisenet_car_480x480.yml --do_eval --save_interval 400

C. 转换评估

!python val.py --config configs/bisenet/bisenet_car_480x480.yml --model_path output/best_model/model.pdparams

D. 模型结果预测

!python predict.py --config configs/bisenet/bisenet_car_480x480.yml --model_path output/best_model/model.pdparams --image_path ./../../data/data_2022_baseline/JPEGImages --save_dir output/result

E. 转换并保存静态图模型

# 训练完成后，模型将会被保存在output/中，根据eval的效果，会保存出best_model.pdparams，这里使用这个模型进行静态图转换
!python export.py --config configs/bisenet/bisenet_car_480x480.yml --model_path output/best_model/model.pdparams

# 转换好的模型将会存放在output/中
!ls output/

# 将转好的文件统一放到新建的bisenet文件夹中保存，方便管理
%cd /home/aistudio/work/PaddleSeg/output/
!mkdir bisenet
!mv model* bisenet/
!mv deploy.yaml bisenet/

F. [非常重要] 由于export时，deploy.yaml文件中并未将训练时resize的信息写入，这里要自己把resize的信息写进去，否则预测时使用的分辨率与训练时不同

–原始的deploy.yaml文件–

Deploy:

model: model.pdmodel

params: model.pdiparams

transforms:

• type: Normalize

–修改后的deploy.yaml文件–

Deploy:

model: model.pdmodel

params: model.pdiparams

transforms:

• type: Resize

  target_size: [480, 480]

  interp: ‘LINEAR’

• type: Normalize

(四) 模型结果文件提交

当前系统评测脚本正在上线中，评测脚本上线后，会第一时间更新模型文件上传demo

请点击此处查看本环境基本用法.

Please click here for more detailed instructions.