沈阳h5模板建站,二月网站建设南宁,网站建设岗位绩效,猪八戒网可以做福彩网站吗目录 前言1. 道路分割总结 前言 杜老师推出的 tensorRT从零起步高性能部署 课程#xff0c;之前有看过一遍#xff0c;但是没有做笔记#xff0c;很多东西也忘了。这次重新撸一遍#xff0c;顺便记记笔记。 本次课程学习 tensorRT 高级-自动驾驶案例项目self-driving-道路分… 目录 前言1. 道路分割总结 前言 杜老师推出的 tensorRT从零起步高性能部署 课程之前有看过一遍但是没有做笔记很多东西也忘了。这次重新撸一遍顺便记记笔记。 本次课程学习 tensorRT 高级-自动驾驶案例项目self-driving-道路分割分析 课程大纲可看下面的思维导图 1. 道路分割 这节我们学习自动驾驶场景中的模型案例 1. 这个案例中存在 4 个模型分别是车辆检测 YoloX、车道线检测、道路分割、深度估计 2. 学习把该案例的模型跑起来对不同任务进行了解 项目地址https://github.com/iwatake2222/self-driving-ish_computer_vision_system 图1 演示效果图 我们只需要拿到项目提供的模型并导出 ONNX 就行了至于其它的环境配置等我们就不用关注了
那在案例中提供了下载好的模型因此我们可以直接看案例代码
我们先来看道路分割模型我们的目的是找到道路分割的 onnx分析其 onnx 的大致使用逻辑然后写出最简洁版本的 predict.py大体可以分为以下三步
1. 打开道路分割的 onnx查看其输入与输出
2. 查看代码找到 onnx 的预处理分析得到预处理的逻辑
3. 针对获得的信息编写 predict.py尝试写出来
我们来观察下其 onnx 模型如下图所示 图2 onnx模型 从导出的 onnx 我们可以了解并猜测
输入是 1x3x512x896输出是 1x512x896x4并且是概率值0~1仅仅是不确定 4 通道代表什么可能代表可行驶区域、车道线、不可行驶区域、马路牙子
我们通过分析项目中的 image_processor/semantic_segmentation_engine.cpp 文件可以得出具体的预处理所做的工作(详细分析请参照视频)
normalize → \rightarrow → mean 0, norm 1.0对输入图像直接 resize 到 height512width896确定输入的图像就是 BGR 图像normalize (src_image - normalize.mean) * normalize.norm
我们可以简单的写个预处理程序来验证下代码如下
import onnxruntime
import cv2
import numpy as npsession onnxruntime.InferenceSession(workspace/road-segmentation-adas.onnx, provider_options[CPUExecutionProvider])image cv2.imread(workspace/imgs/dashcam_00.jpg)
image cv2.resize(image, (896, 512))
image_tensor image.astype(np.float32)
image_tensor image_tensor.transpose(2, 0, 1)[None]prob session.run([tf.identity], {data: image_tensor})[0]print(prob.shape)cv2.imwrite(prob0.jpg, prob[0, :, :, 1] * 255)输出如下图 图3 预处理验证 可以看到输出符合我们的预期输出的概率图如下所示 图4 道路分割概率图 总结 本次课程学习了开源项目中的道路分割案例主要是对道路分割模型的 onnx 进行了简单分析并通过对项目代码的分析将预处理部分理清楚然后通过 onnxruntime 进行了简单验证。 次课程学习了开源项目中的道路分割案例主要是对道路分割模型的 onnx 进行了简单分析并通过对项目代码的分析将预处理部分理清楚然后通过 onnxruntime 进行了简单验证。
