深度学习车道保持 · 实战课程目录

01

课程导论与项目全景 01.html

车道保持技术发展史 · 深度学习在ADAS中的应用 · 课程目标与项目总览 · 软硬件环境概览 (NVIDIA Jetson)

02

深度学习基础回顾 (上) 02.html

神经网络核心概念 · CNN原理 · 激活函数与损失函数 · 优化器选择

03

深度学习基础回顾 (下) 03.html

经典CNN架构 (LeNet, AlexNet, VGG, ResNet) · 迁移学习 · 评估指标

04

车道保持算法选型 04.html

传统方法 vs 深度学习 · NVIDIA DAVE-2 · LaneNet · 课程选型理由

05

数据集准备与预处理 05.html

TuSimple, CULane, BDD100K · 数据增强 (翻转/亮度/仿射) · 标注格式

06

PyTorch框架入门 06.html

安装配置 · Tensor操作 · 自动求导 · 构建全连接网络

07

数据加载器 (DataLoader) 构建 07.html

自定义Dataset · 预处理Pipeline · batch_size/shuffle/num_workers · 可视化验证

08

模型搭建：轻量语义分割 08.html

ERFNet · 深度可分离卷积 · 参数量与计算量统计

09

损失函数与训练策略 09.html

CrossEntropyLoss, DiceLoss · StepLR, CosineAnnealing · 训练脚本

10

模型训练与调优 10.html

GPU训练 · TensorBoard监控 · 过拟合/欠拟合 · 断点续训

11

模型评估与可视化 11.html

mIoU · 预测结果可视化 · FP/FN分析 · 剪枝与量化入门

12

ONNX模型导出 12.html

ONNX简介 · PyTorch转ONNX · 动态轴/静态轴 · onnxruntime验证

13

TensorRT加速原理 13.html

工作流程 · FP32/FP16/INT8 · 层融合 · 动态形状支持

14

TensorRT模型转换 14.html

ONNX转TensorRT引擎 · 序列化/反序列化 · C++/Python API · 错误排查

15

Jetson平台开发环境搭建 15.html

系统烧录 · JetPack SDK · CUDA/cuDNN/TensorRT · 交叉编译

16

Jetson上的模型部署 16.html

TensorRT引擎部署 · 内存/显存优化 · 多线程推理 · FPS测试

17

摄像头驱动与图像采集 17.html

V4L2框架 · OpenCV + GStreamer加速 · Resize/Normalize/BGR2RGB

18

车道线后处理算法 18.html

语义分割解析 · RANSAC拟合 · 三次样条插值 · 置信度判断

19

车辆控制信号生成 19.html

偏离预警 · 期望转向角 (PID) · 平滑滤波 · CAN总线基础

20

系统集成与端到端测试 20.html

感知-决策-控制串联 · ROS2节点通信 · 实车/仿真测试 · 性能瓶颈

21

仿真环境搭建与测试 21.html

CARLA安装配置 · PythonAPI控制 · 数据采集 · 闭环测试

22

模型轻量化技术 22.html

知识蒸馏 · 通道剪枝 · BN层融合 · NAS入门

23

多任务学习扩展 23.html

车道线+可行驶区域检测 · 多任务损失 · 共享Backbone

24

鲁棒性提升策略 24.html

夜间/雨天处理 · 光照自适应 · 摄像头标定 · 多传感器融合

25

代码版本管理与协作 25.html

Git工作流 · Docker封装 · MLflow实验管理 · 团队规范

26

项目文档与演示准备 26.html

技术文档 · README · 演示视频 · PPT要点

27

常见问题与调试技巧 27.html

模型不收敛 · 显存溢出 · 推理速度慢 · 硬件兼容性

28

前沿技术展望 28.html

Transformer (LSTR) · BEV感知 · UniAD · Occupancy Network

29

课程总结与项目复盘 29.html

核心技术回顾 · 难点复盘 · 成长路径 · 开源贡献

30

毕业项目答辩指导 30.html

选题建议 · 实验设计 · 结果分析 · 答辩模板与演讲技巧

🚗 车道保持实战 30章 · 从入门到部署