4. 车道线检测进阶（深度学习方法）
聊完了传统方法，咱们得进入正题了。说实话，传统方法在结构化道路、光照好的时候确实够用。但一到雨天、夜晚、或者路面有阴影，传统方法就开始「摆烂」了。我自己的项目里，最早也是用传统方法，后来发现鲁棒性实在扛不住，才彻底转向了深度学习。
深度学习做车道线检测，核心思路就一个：让网络学会「看懂」图像中的线条结构。今天咱们重点聊三个方向：语义分割、实例分割与聚类、以及轻量化部署。
4.1 语义分割网络：UNet 与 LaneNet
语义分割，说白了就是给每个像素打标签。车道线像素标为1，背景标为0。这活儿谁干得好？UNet 和 LaneNet 是经典代表。
4.1.1 UNet：从医学图像到车道线
UNet 最早是做医学图像分割的，但结构太经典了，直接拿来做车道线效果也不错。它的核心是「编码-解码」结构，加上跳跃连接。
我习惯把 UNet 理解为：先下采样提取特征，再上采样恢复分辨率，中间用跳跃连接把细节补回来。你想想看，下采样会丢失位置信息，跳跃连接就是「抄近道」把底层细节送到高层。
# 一个简化的 UNet 编码块
import torch.nn as nn
class DownBlock(nn.Module):
def __init__(self, in_ch, out_ch):
super().__init__()
self.conv = nn.Sequential(
nn.Conv2d(in_ch, out_ch, 3, padding=1),
nn.BatchNorm2d(out_ch),
nn.ReLU(inplace=True),
nn.Conv2d(out_ch, out_ch, 3, padding=1),
nn.BatchNorm2d(out_ch),
nn.ReLU(inplace=True)
)
self.pool = nn.MaxPool2d(2)
def forward(self, x):
x = self.conv(x)
skip = x # 跳跃连接保存
x = self.pool(x)
return x, skip
嗯，这里要注意：跳跃连接保存的是卷积后的特征图，不是原始输入。我在项目中踩过这个坑，一开始把原始图像当跳跃连接传过去，结果网络根本学不动。
4.1.2 LaneNet：专为车道线设计
LaneNet 是专门为车道线检测设计的。它有两个分支：分割分支和嵌入分支。分割分支做二分类（车道线/背景），嵌入分支做像素聚类。
我个人觉得 LaneNet 的精髓在于：它把「分割」和「聚类」放在一个网络里端到端训练。分割分支负责找出哪些像素是车道线，嵌入分支负责把这些像素分到不同的车道线实例中。
4.2 实例分割与聚类：把车道线分开
语义分割只能告诉你「哪些像素是车道线」，但分不清「这是第几条车道线」。实例分割要解决的就是这个问题。
常用的方法有两种：
- 基于聚类的后处理：LaneNet 的嵌入分支输出每个像素的嵌入向量，然后用 DBSCAN 或 MeanShift 聚类。我建议用 DBSCAN，因为它不需要预先指定聚类数量。
- 基于注意力机制的端到端方法：比如 CLRNet、LaneATT，直接用 Transformer 或注意力机制预测每条车道线的曲线参数。
我曾经在项目中试过聚类方法，发现一个问题：聚类速度太慢。每帧图像都要跑一次 DBSCAN，在嵌入式设备上根本扛不住。后来换成了基于锚点的回归方法，速度直接提升了 5 倍。
4.3 轻量化模型部署：TensorRT 实战
模型训练好了，得部署到车上。车上的算力有限，不能指望 3090 跟着跑。TensorRT 是 NVIDIA 的推理优化工具，能把模型压缩、量化、加速。
4.3.1 模型转换流程
从 PyTorch 到 TensorRT，我习惯走这条路：
- 导出 ONNX：PyTorch 模型转成 ONNX 格式
- ONNX 转 TensorRT：用 trtexec 或 Python API 转换
- 精度验证：对比 FP32 和 FP16 的输出差异
# PyTorch 导出 ONNX
import torch
dummy_input = torch.randn(1, 3, 288, 800)
torch.onnx.export(
model,
dummy_input,
"lanenet.onnx",
opset_version=11,
input_names=['input'],
output_names=['seg', 'embed']
)
嗯，这里有个坑：ONNX 的 opset 版本要选对。我一开始用的 opset=13，结果 TensorRT 8.x 不支持，折腾了半天。后来统一用 opset=11，兼容性最好。
4.3.2 量化与加速
TensorRT 支持 FP16 和 INT8 量化。FP16 基本无损，INT8 需要校准数据集。
| 精度模式 | 推理速度（ms） | 精度损失 | 适用场景 |
|---|---|---|---|
| FP32 | 15 | 无 | 验证、调试 |
| FP16 | 8 | <0.5% | 实车部署 |
| INT8 | 5 | 1-2% | 资源受限设备 |
我个人建议：实车部署先用 FP16。INT8 虽然快，但精度损失在复杂场景下可能漏检。我遇到过 INT8 量化后，夜间车道线检测率下降了 8%，后来老老实实换回 FP16。
4.3.3 部署优化技巧
除了 TensorRT 本身的优化，还有一些工程技巧：
- 输入尺寸固定：不要用动态尺寸，固定为 288x800 或 360x640，能省不少时间
- 异步推理：用 CUDA Stream 做异步推理，CPU 和 GPU 可以并行工作
- 预处理融合：把归一化、减均值等操作融合到 TensorRT 引擎里，减少 CPU-GPU 数据传输
我记得有一次，光是把预处理从 CPU 挪到 GPU，推理帧率就从 30fps 提到了 45fps。你想想看，这个优化多划算。
4.4 小结
深度学习做车道线检测，说白了就是：用分割网络找出像素，用聚类或回归区分实例，用 TensorRT 加速部署。每一步都有坑，但踩过去之后，你会发现效果比传统方法好太多了。
下一章咱们聊车道保持控制算法，到时候会用到今天检测出来的车道线。嗯，先把检测做好，控制才有意义。