车道检测

车道检测是计算机视觉和自动驾驶领域的一项关键技术，旨在识别和跟踪道路上的车道线。这个任务对于实现车辆的自动驾驶和辅助驾驶系统至关重要，因为它能够帮助车辆理解其在道路上的位置，保持车道，并执行如车道保持、车道变换等操作。

lane-detection

本示例使用 PyTorchTrainingJob 训练一个车道检测模型。

准备

在项目中创建一个名为 lanedet、大小 50 GiB 以上的 PVC，然后创建一个同样名为 lanedet 的 Notebook 挂载该 PVC（镜像类型和模板不限）。

进入 Notebook 或远程连接到 Notebook，启动一个终端，执行以下命令以克隆 t9k/examples 仓库：

cd ~
git clone https://github.com/t9k/examples.git

继续执行以下命令以从 kaggle 下载 TuSimple 数据集并解压，其中 kaggle.json 文件需要登录 kaggle 获取。完整的操作步骤可以参阅博客 How to Download Kaggle Datasets on Ubuntu。

pip install kaggle

# 在浏览器中登录 kaggle，在账户设置页面创建新的 token 以生成 kaggle.json 文件，将其上传到 Notebook
mkdir ~/.kaggle
mv kaggle.json ~/.kaggle

kaggle datasets download manideep1108/tusimple
unzip tusimple.zip

训练

使用如下 YAML 配置文件创建 PyTorchTrainingJob 以启动训练。该 PyTorchTrainingJob 创建 2 个副本，每个副本启动 2 个进程，每个进程使用 1 个 GPU。

kubectl create -f examples/lanedet/t9k/job.yaml

通过以下命令查看训练过程中打印的日志：

export POD=$(kubectl get pj lanedet -o jsonpath="{.status.tasks[0].replicas[0].name}")
kubectl logs $POD -f
log

训练共进行 100 个 epoch，每个 epoch 结束时进行验证（使用测试图像作为验证集），计算准确率、假阳性率和假阴性率。训练完成之后，模型文件将保存到 output/TuSimple/0/*/ 路径下。训练花费约 3 小时，最终准确率可以达到约 0.94。