第4章基于视觉的车道线检测模型

第4章：基于视觉的车道线检测模型：深度学习模型选型、数据集准备与部署

车道线检测，说白了就是让车“看懂”路在哪。我做了这么多年ADAS，发现很多团队在模型选型上就栽了跟头。选错了模型，后面调参、部署全是坑。今天咱们就聊聊怎么选、怎么训、怎么落地。

4.1 深度学习模型选型：LaneNet vs. Ultra-Fast-Lane-Detection

目前主流方案就两个：LaneNet和Ultra-Fast-Lane-Detection（简称UFLD）。我个人习惯先看应用场景再选型，别盲目追新。

4.1.1 LaneNet：老牌劲旅，但有点“重”

LaneNet是2018年的经典方案。它把车道线检测拆成两步：先做语义分割（区分车道线和背景），再用聚类把每条线分开。

优点：

检测精度高，尤其对弯曲车道线效果好
能处理任意数量的车道线
开源社区成熟，资料多

缺点：

推理速度慢，在嵌入式设备上跑不到30fps
聚类步骤依赖超参数，调起来很烦
模型体积大，占用显存多

我的经验： 如果你做的是L4级自动驾驶，对精度要求极高，LaneNet还是能打的。但要是做L2+量产项目，我建议你慎重——我曾经在一个项目里用LaneNet，结果在TDA4平台上死活优化不到实时，最后只能换方案。

4.1.2 Ultra-Fast-Lane-Detection：轻量级新秀

UFLD是2020年提出的方案。它把车道线检测当成行分类问题来处理——说白了，就是预测每一行图像上车道线的位置。

优点：

推理速度极快，在Jetson Nano上能跑300+fps
模型小，只有几MB
不需要后处理聚类，端到端输出

缺点：

对弯曲车道线检测效果一般
需要预设车道线数量（比如最多4条）
在极端光照下容易漏检

避坑指南： 我曾经在雨夜场景测试UFLD，结果车道线检测率直接掉到60%以下。后来发现是数据集中缺少雨夜样本。所以选型时一定要考虑你的部署环境。

4.1.3 选型对比表

维度	LaneNet	Ultra-Fast-Lane-Detection
推理速度（Jetson Nano）	~25fps	~300fps
模型大小	~50MB	~5MB
弯曲车道线	优秀	一般
部署难度	高（需聚类后处理）	低（端到端）
适用场景	L4/L5自动驾驶	L2/L2+量产

我个人建议：如果你做量产项目，优先考虑UFLD。它轻、快、好部署。但如果你做的是高精度地图或L4级系统，LaneNet更靠谱。

4.2 数据集准备与标注

模型选好了，接下来就是数据。嗯，这里要注意——数据质量直接决定模型上限。我见过太多团队花大价钱买GPU，却舍不得在数据上投入，结果模型训出来一塌糊涂。

4.2.1 公开数据集推荐

TuSimple： 最常用的车道线数据集，包含3626张训练图像和2782张测试图像。场景以高速公路为主，光照条件好。
CULane： 规模更大，包含88880张训练图像。场景覆盖城市、夜晚、拥堵等复杂情况。
BDD100K： 包含10万张图像，标注了车道线、可行驶区域等。场景最丰富，但标注质量参差不齐。

  我的建议： 别只用TuSimple。它场景太单一，训出来的模型在真实道路上会“水土不服”。我一般用CULane做基础训练，再用自采数据做微调。

4.2.2 数据标注规范

标注车道线时，有几个关键点要注意：

标注类型： 区分实线、虚线、双实线、黄色线、白色线。不同线型在控制策略中意义不同。
标注范围： 一般标注到前方50-80米。太远了看不清，太近了没意义。
遮挡处理： 被车辆遮挡的车道线，要标注出“被遮挡”属性，而不是直接不标。
曲线标注： 弯曲车道线至少需要5个关键点，否则模型学不到曲率信息。

避坑指南： 我曾经遇到一个项目，标注团队把虚线标成了实线。结果模型在高速上把虚线当实线，导致变道策略出错。所以标注完成后一定要做质检，抽检比例不低于20%。

4.2.3 数据增强策略

数据不够？增强来凑。我常用的增强方法：

亮度调整： 模拟白天、黄昏、夜晚不同光照
透视变换： 模拟不同俯仰角
随机遮挡： 模拟前车遮挡
高斯噪声： 模拟摄像头传感器噪声

你想想看，如果只靠原始数据，模型能见过多少场景？增强一下，泛化能力能提升不少。

4.3 模型训练与部署

数据准备好了，开始训练。这部分我踩过不少坑，分享几个关键点。

4.3.1 训练配置

以UFLD为例，我常用的训练参数：

# 训练超参数
batch_size: 32
learning_rate: 0.001
optimizer: Adam
epochs: 100
input_size: 288x800
backbone: ResNet18

# 损失函数
loss: CrossEntropyLoss + SmoothL1Loss
weight: [1.0, 0.5]  # 分类损失权重0.5，回归损失权重0.5

这里有个小技巧：先用小学习率跑10个epoch预热，再切换到正常学习率。能避免模型一开始就震荡。

4.3.2 训练中的常见问题

过拟合： 如果训练集loss一直降，验证集loss不降，说明过拟合了。加Dropout或数据增强。
类别不平衡： 车道线像素只占图像的1%左右。用Focal Loss或加权损失函数。
收敛慢： 试试学习率调度，比如每30个epoch衰减0.1倍。

我的经验： 训练时一定要用TensorBoard监控。我习惯看三个指标：loss曲线、准确率、以及可视化预测结果。光看loss不够，有时候loss降了但预测结果反而变差了。

4.3.3 模型部署到嵌入式平台

训练完模型，最后一步是部署。以NVIDIA Jetson平台为例：

模型转换： PyTorch模型转TensorRT。用torch2trt或onnx-tensorrt工具。
量化： FP16量化，推理速度能提升2倍，精度损失不到1%。
后处理优化： 把聚类或行分类的后处理用C++实现，别用Python。
多线程流水线： 图像采集、推理、后处理分别用不同线程，避免阻塞。

# TensorRT推理示例（伪代码）
import tensorrt as trt

# 加载引擎
with open("lane.trt", "rb") as f:
    engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine(f.read())

# 分配内存
inputs, outputs, bindings = allocate_buffers(engine)

# 推理
context = engine.create_execution_context()
context.execute_v2(bindings)

# 后处理
lane_points = postprocess(outputs)

避坑指南： 我曾经在部署时发现，TensorRT的INT8量化会导致车道线检测精度下降5%以上。后来改用FP16量化，精度只降0.5%，速度也够用。所以别盲目追求INT8，先试试FP16。

4.4 本章小结

车道线检测模型选型，说白了就是精度和速度的权衡。LaneNet精度高但慢，UFLD快但精度稍差。我个人建议：量产项目用UFLD，L4级系统用LaneNet。

数据准备上，别只依赖公开数据集。自采数据、数据增强、严格质检，这三步缺一不可。

部署时，模型转换、量化、后处理优化是三个关键环节。每一步都可能踩坑，但踩过了就是经验。

下一章咱们聊聊车道保持的控制算法，到时候会用到今天训练的模型输出。嗯，先消化这些内容吧。

📚 课程目录