【技术实现步骤摘要】
本专利技术涉及汽车自动驾驶，特别是涉及一种基于vit的全卷积车道线模型训练及部署方法。
技术介绍
1、车道线模型是指通过深度视觉神经网络模型技术，流程包含车道线的图像进行裁剪，尺寸变化，归一化等预处理，并将预处理完的图片输入模型进行特征提取，最后对模型提取得到的特征进行后处理得到车道线检测最终结果，并输出车道线坐标和车道线类型等。
2、随着自动驾驶技术的不断发展，对于车道线检测的精度要求越来越高，并且越来越多样化，例如对不同类型车道线的检测，现有车道线检测技术condlane采用resnet作为网络骨架，包括batchnormalization归一化方法,relu激活函数等神经网络层，采用传统训练策略方式，采用adam反向传播优化器，在culane数据集上的精度指标，vit视觉transformers的训练方法能够较大幅度提高基于transformers深度视觉模型的精度，但是transformers在工业界部署目前并不完善，精度较差。
技术实现思路
1、针对上述现有技术的不足...
【技术保护点】
1.一种基于ViT的全卷积车道线模型训练及部署方法，其特征在于，包括模型训练阶段和模型部署阶段，模型训练阶段含有以下步骤：
2.根据权利要求1所述的一种基于ViT的全卷积车道线模型训练及部署方法，其特征在于，步骤S1中获取真实数据时，使用针孔相机获取，并用bag包保存后使用抽帧工具每隔两秒抽取一帧，并根据相机内参完成去畸变，共60w张，并进行数据标注。
3.根据权利要求2所述的一种基于ViT的全卷积车道线模型训练及部署方法，其特征在于，步骤S2中，AdamW优化器加入了weight decay正则化，以平衡不同时期梯度和正则化的作用，在Adam...
【技术特征摘要】
1.一种基于vit的全卷积车道线模型训练及部署方法，其特征在于，包括模型训练阶段和模型部署阶段，模型训练阶段含有以下步骤：
2.根据权利要求1所述的一种基于vit的全卷积车道线模型训练及部署方法，其特征在于，步骤s1中获取真实数据时，使用针孔相机获取，并用bag包保存后使用抽帧工具每隔两秒抽取一帧，并根据相机内参完成去畸变，共60w张，并进行数据标注。
3.根据权利要求2所述的一种基于vit的全卷积车道线模型训练及部署方法，其特征在于，步骤s2中，adamw优化器加入了weight decay正则化，以平衡不同时期梯度和正则化的作用，在adamw中，权重衰减不是直接从参数更新中减去，而是作为参数更新的一部分，可以保持自适应学习率的一致性，确保不同参数的学习率保持一致，同时调整后的权重衰减有助于算法更快地收敛，并提高了训练过程的稳定性，adamw优化器权重更新公式如下：
4.根据权利要求3所述的一种基于vit的全卷积车道线模型训练及部署方法，其特征在于，步骤s3中，进行数据增强是采用多样化的增强技术，包括但不限于采用mixup，cutmix，randaugment，randomerasing数据增强技术。
5.根据权利要求4所述的一种基于vit的全卷积车道线模型训练及部署方法，其特征在于，步骤s4中，骨架方面采用convnext，head方面对condlanenet_head进行改进，使得本专利车道线模型能够同时检测车道线，包括采用起始点head，偏移距离head，分割head的组合方式，每种head均采用卷积，激活层，卷积的组合方式，可以对常见的车道线，类型进行检测，由于分割head的存在，还可以对特殊线性进行...
【专利技术属性】
技术研发人员：郑凯璇，刘建，张洪江，张浩，林俊峰，杨意，
申请(专利权)人：重庆车载软件开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。