1.Tusimple データセット
特徴：高速道路沿いにあり、天気が良く、車線がはっきりしていて、車線がドットで区切られています。(ground_truth:json 形式) (インスタンス レベルのレーン アノテーションを含む大規模な画像データを提供します。ただし、ビデオ インスタンスのレーン検出には適していません。
) a 実線は処理に使用されます。二重の実線、白線、黄線などの情報はここではマークされていません。
2. 各ラインは、実際には一連のポイント シーケンスの座標であり、エリア セットではありません.
主な収集エリアは外国の高速道路 (トラックのナンバー プレートの近くに設置) であり、画像は歪んでおらず、
穏やかな気象条件であり、異なる1 日の時間帯 - 2 車線 / 3 車線 / 4 車線 / またはそれ以上 - さまざまな交通状況、各写真は写真の最初の 19 フレームを提供します (ただし、これらの 19 フレームはマークされていません) 車線は分類されません (撮影角度はbe outside the car )、GT は json 形式でドット形式でマークされます。1 秒で 20 フレームが抽出されます。撮影角度方向は車の進行方向に非常に近い
画像サイズ: 1280x720、画像数: 6408 (番号: トレイン: 3626; テスト: 2782)
ダウンロード アドレス: https://github.com/TuSimple/tusimple-benchmark/issues/3 (公式)、https://github .com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection
Baidu ネットワーク ディスク リンク: https://pan.baidu.com/s/1i1IUxYI48tP5y-p2t-sVOA?pwd=1wy0 抽出コード: 1wy0 (非公式)
サンプル処理: https://blog.csdn.net/qingfengxd1/article/details/108738651
評価指標: https://github.com/TuSimple/tusimple-benchmark/blob/master/evaluate/lane.py
2.CULane データセット
特徴: 混雑、夜間、無線、影など 8 種類の検出困難な状況を含め、最大 4 つの車線ラインをマーキングします。データセットは、異なるドライバーが運転する 6 台の異なる車に取り付けられたカメラによって収集され、道路は北京にあります。このデータセットは、55 時間以上のビデオ データを収集し、133,235 フレームの画像を抽出します。
データ サンプルを下の図 1 に示します。その中で、お試しセットは普通と残りの8種類のチャレンジタイプに分かれています（シーンが異なります）。
レーン マーキングが車両によって隠されたり見えなくなったりする状況でも、状況に応じてレーンに注釈を付けます。また、アルゴリズムが道路上の障害物を区別できるようにしたいと考えています。(インスタンス レベルのレーン アノテーションを含む大規模な画像データを提供します。ただし、ビデオ インスタンス レーンの検出には適していません。) 北京
都市部の道路と高速道路の撮影場所、車のフロント カメラには明らかな歪み補正がありません。トレース、およびマークされたレーンは現在のレーンであり、左右のレーン (最大) は、破線と実線を区別せず、ドット (txt) の形式でマークします。
写真サイズ：1640x590、写真枚数：133235枚（88880枚をトレーニングセット、9675枚を検証セット、34680枚をテストセットに分割） ダウンロードアドレス：https:
//xingangpan.github.io/プロジェクト/CULane.html (公式)
サンプル処理: https://blog.csdn.net/weixin_43726913/article/details/115330065
評価指標: https://github.com/ZJULearning/resa
3. BDD100k データセット
特徴: バークレー大学からの非常に包括的なデータセットで、車線も含まれています。米国の 4 地区の昼と夜の気象条件、2D 8 カテゴリのレーン ラインが含まれています。(車線インスタンスの注釈は提供されません。同じタイプの複数の車線は分離されず、各フレームに 1 つのラベルで注釈が付けられます。) 縁石、横断歩道、ダブル ホワイト、ダブル イエロー、ダブル 他の色、シングル ホワイト、シングル イエロー、シングルその他の色 8 つの主要なカテゴリ。これらのビデオは米国のさまざまな場所から収集されたもので、上の図に示すように、データベースには、晴れ、曇り、雨の日、昼と夜のさまざまな時間帯など、さまざまな気象条件が含まれています。車のフロントカメラ、あなたが見るものはあなたが得るもの、都市の道路と高速道路です.
最近、Berkeley AI Lab は、CV 分野で最大かつ最も多様なオープン ソース ビデオ データセット、BDD100K データセットを公開しました。データセットは 100,000 本のビデオで構成され、各ビデオは約 40 秒、720P、30fps、合計時間は 1,100 時間以上です。BDD100K データ セットは、各ビデオの 10 秒でキー フレームを抽出し、それらをマークします.
車線マーキングは、ドライバーにとって重要な道路指示です. これらは、GPS や地図が正確なグローバル カバレッジを持たない場合に、自動運転システムの運転方向と測位の重要な手がかりにもなります。データセットは、車線内の車両の表示に基づいて、車線標示を 2 つのタイプに分類します。垂直の車線標識 (下の画像で赤でマークされている) は、車線に沿った進行方向の標識を示しています。平行な車線標示 (下の画像で青色で示されている) は、車両が車線内で停止するための標識を示しています。また、実線と破線、二重と単一など、マーカーの属性も提供します。ラベル形式のピクセル レベルの注釈マスク
写真サイズ：1280x720、写真枚数：10w
ダウンロードアドレス：https://bdd-data.berkeley.edu/（公式）
リンク：https://pan.baidu.com/s/1ue7RuAitqKUTSAAHNPpkFg 抽出コード：cdiy（非公式）
BDD100K のミニ バージョンへのリンク: https://pan.baidu.com/s/1r7FbMX2_OcDKsfrhujSfAQ 抽出コード: yc90
現在のデータセットで人気のあるモデル: https://github.com/SysCV/bdd100k-models/
データ処理: https :/ /github.com/cardwing/Codes-for-Lane-Detection/tree/master/ENet-BDD100K-Torch
paper: BDD100K: A Diverse Driving Dataset for Heterogeneous Multitask Learning
Evaluation Indicators:
4. ApolloScape データセット
特徴: この大規模なデータセットには、110,000 フレームを超える高品質のピクセル レベルの注釈が付いた、さまざまな都市のストリート ビューで記録された多様な立体ビデオ シーケンスのセットが含まれています。(レーン インスタンスの注釈は提供されません。各フレームでは、同じタイプの複数のレーンが分離されず、単一のラベルで注釈が付けられます。) WYSIWYG、ピクセル レベルの注釈マスクには、35 のレーン マーキング カテゴリ (オプションでマージ) が含まれます
。国内の都市道路を中心に10種類の車線があり、カメラは車体に搭載されています。目的: HD マップの構築または更新プロセス。
写真サイズ: 3384x2710、写真枚数: 200k (113653)
ダウンロードアドレス: http://apolloscape.auto/lane_segmentation.html (公式)、https://github.com/ApolloScapeAuto/dataset-api/blob/master/lane_segmentation / LanemarkDiscription.pdf (導入)
評価指標: http://apolloscape.auto/lane_segmentation.html#to_evaluation_href
5.CurveLanes データセット
機能: Huawei 曲線検出データ セット、トレーニング セット 100,000、検証セット 20,000、テスト レベル 30,000 (テスト セットはラベルを提供しません)。道路は大きくカーブしており、ラベルはドット json 形式で、BDD と比較して、Tusimple と culane は車線が多くなっています。レーン クラスは区別されません。カメラは車内のフロントカメラで撮影。
写真サイズ：2650x1440、写真枚数：15w
ダウンロードアドレス：https://github.com/SoulmateB/CurveLanes
データ処理：https://github.com/pandamax/Parse_Curvelanes
評価指標：提供予定。
6. LLAMAS データセット
特徴: 14 のハイウェイ レコードが使用され、それぞれの長さは約 25 km です。
センサー データは、データセット内の画像にラベルを付けるために収集されました。海外の高速。ボッシュのレーン マーキング データ セット、ラベリングは手動のラベリングではなく、高精度のマップによって生成され、そのすべてが高速シーンです。100 メートル以上の注釈が付けられたカメラは、おおまかに車の外側のナンバー プレートに配置されています。カラー画像はさらに、元の画像のグレースケール画像、合計 4 つのカテゴリ、ラベルはポイント json 形式 (3 次元座標)、左の仮想レーン ライン、右の仮想レーン ライン、左の実線のレーン ラインを提供します。 、右の実線車線
画像サイズ: 1276 x 717、画像数: 79113 (トレーニング セット: 58269 検証セット: 20844 テスト セット: 20929 (ラベルなし)) ダウンロード アドレス:
https://unsupervised-llamas.com/llamas/login/?next= / llamas/download (要登録)
評価指標: https://github.com/karstenBehrendt/unsupervised_llamas/tree/master/evaluation
7. VPGNet データセット
特徴：昼間（雨天、雨天、豪雨）と夜間のデータに加え、各種車線区分線、3週間走行、その他各種車線区分線（左折矢印、直線矢印、横断歩道）を収録など）。韓国ソウルの 21097 の道路画像、ラベルおよび元の画像形式: マット、合計 17 のカテゴリ (8 車線カテゴリ、9 道路標示カテゴリ) 手動で車線と道路の角をラベル付け。コーナー ポイントは接続されて、各オブジェクトのピクセル レベルのマスク アノテーションを形成する多角形を形成します。データセットは、悪天候下で車内に設置されたカメラ (中央) でキャプチャされました。ソウル中心部で撮影された都市交通シーン、フロントガラスのワイパーをカメラが捉える可能性
画像サイズ: 1288×728、画像枚数: 20k
ダウンロードアドレス: VPGNet データセットをダウンロードしたい場合は、アンケートにご記入ください. ダウンロード リンクを記載したメールをお送りします.アンケート)
データ処理: https://blog.csdn.net/weixin_42840360/article/details/116995504
論文のアドレス: VPGNet: 車線および道路標示の検出と認識
モデルのための Vanishing Point Guided Network アドレス: https://github.com /SeokjuLee/VPGNet
評価指標: https://github.com/SeokjuLee/VPGNet
8. VIL-100 データセット
特徴: 10,000 フレームの画像を含む 100 本のビデオが含まれており、混雑した道路状況、車線の破線、スモッグ、夜などの 10 の古典的なシーンをカバーしています。すべてのビデオのフレーム レートを元の 30 fps から 10 fps にダウンサンプリングし、各フレームのすべてのレーン ラインにインスタンス レベルの注釈を提供します。データ内の 10 の典型的なシーンのコレクションを考慮して、タグ json とマスクの両方が提供されます: 通常、混雑、迂回路、損傷した道路、影、道路標示、まぶしさ、もや、夜、交差点。100 本のビデオのうち、97 本はバックミラーの近くに取り付けられた 1 台の前面カメラによってキャプチャされました。残りの 3 つのビデオは、インターネットから収集されます。レーン線には合計 10 のカテゴリがあります。線、白の二重破線 実線、白の二重破線 実線の白と黄色) 白の単一の実線、白の単一の点、黄色の単一の点、黄色の単一の点、白の二重の実線、黄色の二重の実線、黄色の二重の点線、白の二重の実線点線、二重白点線、二重白点線 w ビデオごとに、各フレームの各レーンの中心線に沿って一連のアンカー ポイントを配置し、
それらを json ファイルに保存します。各車線に沿ったポイントは、インスタンス レベルの注釈を提供するセットに格納されます。
次に、ポイントの各セットを 3 次多項式を介して曲線に適合させ、特定の幅のレーン エリアに拡張します。経験則として、1,920 × 1,080 フレームでは、幅 30 ピクセルを選択します。低解像度の
フレームの場合、幅は比例して縮小されます。
画像サイズ: 1920 × 1080、画像数: 10k
ダウンロード アドレス: https://pan.baidu.com/s/1hFPKt4az6AiMmsV4c9Odmg - yyl7 (公式)
ペーパー アドレス: VIL-100: A New Dataset and A Baseline Model for Video Instance車線検出
モデルアドレス：https://github.com/yujun0-0/MMA-Net
評価指標：https://github.com/yujun0-0/MMA-Net/tree/main/evaluation
9. Jiqing Expressway データセット
特徴: このデータセットは、マルチレーン検出アルゴリズムのテストと評価に使用できるマルチレーン検出データセットです。データセットには 40 個のビデオ クリップがあり、各ビデオ クリップは 3 分間続き、フレーム レートは 30 fps で、さまざまな照明強度とさまざまな道路状況 (上流、下り坂、トンネル、暗渠、傾斜路など) の道路画像です。ドライブレコーダーは撮影アングルと同様で、高速の国内線、日陰や車両通行止めの車線は、マーキングがないか部分的なマーキングしかない（ごく一部のケースのみ）。さらに、データセットは道路交通の方向の車線にのみ注釈を付け、逆車線は含みません。また、ランプ セクションの車線注釈は完全ではない場合があります。レーンはカテゴリ分けされておらず、ラベルはtxt形式でマークされており、元の画像ビデオ
写真サイズ：1920×1080、写真枚数：210610枚
ダウンロードアドレス：https://github.com/vonsj0210/Multi-Lane-Detection-Dataset-with-Ground-Truth
評価指標：https://github.com/vonsj0210 /グラウンドトゥルースを備えたマルチレーン検出データセット
10.Ceymo データセット
機能: 11 のカテゴリに属する道路標示は、labelme 注釈ツールを使用して手動でポリゴンとして注釈が付けられます。各画像には、その画像に存在する道路標示を含むポリゴンの座標を含む JSON ファイルがあります
。ポリゴン アノテーション JSON 形式に加えて、バウンディング ボックス アノテーション XML 形式とピクセル レベルのセグメンテーション マスク PNG 形式も提供され、さまざまな道路標識検出方法を容易にします。海外撮影・ドライブレコーダー
画像サイズ: 1920 × 1080、画像数: 2887、列車セット: 2099、テスト セット: 788 画像
ダウンロード アドレス: https://github.com/oshadajay/CeyMo
論文アドレス: CeyMo: See More on Roads – A Novel Benchmark路面標示検出
評価指標のデータセット: https://github.com/oshadajay/CeyMo
11. SDLane データセットデータセット
機能: SDLane データセットは、自動運転用の新しいレーン マーキング データセットです。1920 x 1208 ピクセルの高解像度画像を提供し、高速道路や都市部の困難なシナリオを捉えます。データセットは、正確なグラウンド トゥルース ラベルが付いた 39K のトレーニング画像と 4K のテスト画像で構成されています。シーンごとに、道路上のすべての可視レーン マーキングの 2D レーン ジオメトリに手動で注釈を付けます。さらに、エゴ車両の位置をより適切に推測するために、左端の車線マーカーに対する各車線のインデックスに注釈を付けます。エクステリアカメラ、韓国。カテゴリに関係なくjson形式、点状、車線をラベル付け
写真サイズ：1920×1208、写真枚数：43k
ダウンロードアドレス：https://www.42dot.ai/akit/dataset
評価指数：https://www.42dot.ai/akit/dataset
比較まとめ：その中でも、 TuSimple は Low に挑戦しています。シーンは主に高速道路であり、新しい論文は実現可能性を検証するために使用することを好みます。対照的に、CULaneのシーンは複雑で、その多くは北京の都市部にあり、難易度は比較的高い. 現在、私が見た最新の学術論文では、ほとんどが TuSimple と CULane のデータ セットを使用してパフォーマンスを比較しており、一部の記事では LLAMAS を使用しています。
評価指標
TrueまたはFalseを判断する場合、主に2つの方法があります。
端点、線の端点とその囲み領域の間の距離がしきい値
IOUを超えるかどうかを判断することにより、IOUの重複領域を直接計算します
