目录
- 前言
- 一、LaneATT推理(Python)
- 1. LaneATT预测
- 2. LaneATT预处理
- 3. LaneATT后处理
- 4. LaneATT推理
- 二、LaneATT推理(C++)
- 1. ONNX导出
- 2. LaneATT预处理
- 3. LaneATT后处理
- 4. LaneATT推理
- 三、LaneATT部署
- 1. 源码下载
- 2. 环境配置
- 2.1 配置CMakeLists.txt
- 2.2 配置Makefile
- 3. ONNX导出
- 4. engine生成
- 5. 源码修改
- 6. 运行
- 结语
- 下载链接
- 参考
前言
在 LaneATT推理详解及部署实现（上） 文章中我们有提到如何导出 LaneATT 的 ONNX 模型，这篇文章就来看看如何在 tensorRT 上推理得到结果
Note：开始之前大家务必参考 LaneATT推理详解及部署实现（上） 将对应的环境配置好，并将 LaneATT 的 ONNX 导出来，这里博主就不再介绍了
repo：https://github.com/Melody-Zhou/tensorRT_Pro-YOLOv8
一、LaneATT推理(Python)
1. LaneATT预测
我们先尝试利用官方预训练权重来推理一张图片并保存，看能否成功
在 LaneATT 目录下新建 predict.py 文件，其内容如下：
import cv2
import torch
import numpy as np
from lib.models.laneatt import LaneATT
def preprocess(img, dst_width=640, dst_height=360):
img_pre = cv2.resize(img, (dst_width, dst_height))
img_pre = (img_pre / 255.0).astype(np.float32)
img_pre = img_pre.transpose(2, 0, 1)[None]
img_pre = torch.from_numpy(img_pre)
return img_pre
if __name__ == "__main__":
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
img = cv2.imread("datasets/culane/driver_37_30frame/05181432_0203.MP4/00210.jpg")
img_pre = preprocess(img).to(device)
model = LaneATT(anchors_freq_path="data/culane_anchors_freq.pt", topk_anchors=1000)
state_dict = torch.load("experiments/laneatt_r34_culane/models/model_0015.pt")['model']
model.load_state_dict(state_dict)
model = model.to(device)
model.eval()
with torch.no_grad():
output = model(img_pre, conf_threshold=0.5, nms_thres=50.0, nms_topk=4)
pred = model.decode(output, as_lanes=True)[0]
for line in pred:
points = line.points
points[:, 0] *= img.shape[1]
points[:, 1] *= img.shape[0]
points = points.round().astype(int)
for point in points:
cv2.circle(img, point, 3, color=(0, 255, 0), thickness=-1)
cv2.imwrite("result.jpg", img)
Note：代码、权重和数据集大家可以点击 here 下载，脚本运行需要编译 NMS 插件，其环境配置请参考上篇文章，这边博主不再赘述
执行该脚本后在当前目录下会生成 result.jpg 推理结果图片，如下所示：
2. LaneATT预处理
模型推理成功后我们就要来梳理下 LaneATT 的预处理和后处理，方便后续在 C++ 上实现，我们先来看预处理的实现
经过我们的调试分析可知 LaneATT 的预处理过程在 lib/datasets/lane_dataset.py 文件中，可以参考：lane_dataset.py#L270
def __getitem__(self, idx):
item = self.dataset[idx]
img_org = cv2.imread(item['path'])
line_strings_org = self.lane_to_linestrings(item['old_anno']['lanes'])
line_strings_org = LineStringsOnImage(line_strings_org, shape=img_org.shape)
for i in range(30):
img, line_strings = self.transform(image=img_org.copy(), line_strings=line_strings_org)
line_strings.clip_out_of_image_()
new_anno = {'path': item['path'], 'lanes': self.linestrings_to_lanes(line_strings)}
try:
label = self.transform_annotation(new_anno, img_wh=(self.img_w, self.img_h))['label']
break
except:
if (i + 1) == 30:
self.logger.critical('Transform annotation failed 30 times :(')
exit()
img = img / 255.
if self.normalize:
img = (img - IMAGENET_MEAN) / IMAGENET_STD
img = self.to_tensor(img.astype(np.float32))
return (img, label, idx)
它包含以下步骤：
- self.transform：即 resize 缩放
- img = img / 255.：除以 255，归一化
- self.to_tensor：添加 batch 维度，HWC -> BCHW
它其实和分类模型的预处理有些像，只是没有 center crop 这个操作，更加的简单，因此我们不难写出对应的预处理代码，如下所示：
def preprocess(self, img):
# 1. resize
img = cv2.resize(img, (self.img_w, self.img_h))
# 2. normalize
img = (img / 255.0).astype(np.float32)
# 3. to bchw
img = img.transpose(2, 0, 1)[None]
return img
Note：预处理 resize 的目标尺寸是 width=640，height=360，并且没有 BGR->RGB 这个操作，因此 LaneATT 模型的输入是 1x3x360x640
3. LaneATT后处理
我们再来看看后处理的实现
经过我们的调试分析可知 LaneATT 的后处理过程在 lib/models/laneatt.py 文件中，可以参考：laneatt.py#L112
def nms(self, batch_proposals, batch_attention_matrix, nms_thres, nms_topk, conf_threshold):
softmax = nn.Softmax(dim=1)
proposals_list = []
for proposals, attention_matrix in zip(batch_proposals, batch_attention_matrix):
anchor_inds = torch.arange(batch_proposals.shape[1], device=proposals.device)
# The gradients do not have to (and can't) be calculated for the NMS procedure
with torch.no_grad():
scores = softmax(proposals[:, :2])[:, 1]
if conf_threshold is not None:
# apply confidence threshold
above_threshold = scores > conf_threshold
proposals = proposals[above_threshold]
scores = scores[above_threshold]
anchor_inds = anchor_inds[above_threshold]
if proposals.shape[0] == 0:
proposals_list.append((proposals[[]], self.anchors[[]], attention_matrix[[]], None))
continue
keep, num_to_keep, _ = nms(proposals, scores, overlap=nms_thres, top_k=nms_topk)
keep = keep[:num_to_keep]
proposals = proposals[keep]
anchor_inds = anchor_inds[keep]
attention_matrix = attention_matrix[anchor_inds]
proposals_list.append((proposals, self.anchors[keep], attention_matrix, anchor_inds))
return proposals_list
def proposals_to_pred(self, proposals):
self.anchor_ys = self.anchor_ys.to(proposals.device)
self.anchor_ys = self.anchor_ys.double()
lanes = []
for lane in proposals:
lane_xs = lane[5:] / self.img_w
start = int(round(lane[2].item() * self.n_strips))
length = int(round(lane[4].item()))
end = start + length - 1
end = min(end, len(self.anchor_ys) - 1)
# end = label_end
# if the proposal does not start at the bottom of the image,
# extend its proposal until the x is outside the image
mask = ~((((lane_xs[:start] >= 0.) &
(lane_xs[:start] <= 1.)).cpu().numpy()[::-1].cumprod()[::-1]).astype(np.bool))
lane_xs[end + 1:] = -2
lane_xs[:start][mask] = -2
lane_ys = self.anchor_ys[lane_xs >= 0]
lane_xs = lane_xs[lane_xs >= 0]
lane_xs = lane_xs.flip(0).double()
lane_ys = lane_ys.flip(0)
if len(lane_xs) <= 1:
continue
points = torch.stack((lane_xs.reshape(-1, 1), lane_ys.reshape(-1, 1)), dim=1).squeeze(2)
lane = Lane(points=points.cpu().numpy(),
metadata={
'start_x': lane[3],
'start_y': lane[2],
'conf': lane[1]
})
lanes.append(lane)
return lanes
def decode(self, proposals_list, as_lanes=False):
softmax = nn.Softmax(dim=1)
decoded = []
for proposals, _, _, _ in proposals_list:
proposals[:, :2] = softmax(proposals[:, :2])
proposals[:, 4] = torch.round(proposals[:, 4])
if proposals.shape[0] == 0:
decoded.append([])
continue
if as_lanes:
pred = self.proposals_to_pred(proposals)
else:
pred = proposals
decoded.append(pred)
return decoded
它包含以下步骤：
- nms：非极大值抑制
- decode：车道线 proposal 解码
在分析后处理代码之前我们先来看下模型的输出含义，LaneATT 模型的输出是 1x1000x77，其中代表的含义是：
- 1：batch 维度
- 1000：每张图像中预测的车道线 proposal 数量
- 77：每个车道线 proposal 的特征向量长度，它包括以下三部分
- cls（2 维）：分类概率，分别代表背景的概率以及车道线的概率
- start_y，start_x（2 维）：车道线的起始点坐标
- length（1 维）：车道线的长度
- x_offset（72 维）：车道线在每个 anchor 的水平偏移，单位是像素
OK，把模型输出的每个维度含义梳理清楚之后，我们再来看后处理代码就比较清晰了
NMS 我们已经非常熟悉了，值得注意的是车道线的 NMS 中 IoU 的计算和我们常见的检测框 IoU 计算有所不同，它主要是针对车道线的特殊性，官方提供的 IoU 计算代码如下：
template <typename scalar_t>
// __device__ inline scalar_t devIoU(scalar_t const * const a, scalar_t const * const b) {
__device__ inline bool devIoU(scalar_t const * const a, scalar_t const * const b, const float threshold) {
const int start_a = (int) (a[2] * N_STRIPS - DATASET_OFFSET + 0.5); // 0.5 rounding trick
const int start_b = (int) (b[2] * N_STRIPS - DATASET_OFFSET + 0.5);
const int start = max(start_a, start_b);
const int end_a = start_a + a[4] - 1 + 0.5 - ((a[4] - 1) < 0); // - (x<0) trick to adjust for negative numbers (in case length is 0)
const int end_b = start_b + b[4] - 1 + 0.5 - ((b[4] - 1) < 0);
const int end = min(min(end_a, end_b), N_OFFSETS - 1);
// if (end < start) return 1e9;
if (end < start) return false;
scalar_t dist = 0;
for(unsigned char i = 5 + start; i <= 5 + end; ++i) {
if (a[i] < b[i]) {
dist += b[i] - a[i];
} else {
dist += a[i] - b[i];
}
}
// return (dist / (end - start + 1)) < threshold;
return dist < (threshold * (end - start + 1));
// return dist / (end - start + 1);
}
上述函数的输入参数是两条车道线的 proposal 以及 IoU 判断的阈值，主要计算两个 proposal 在重叠区域内的水平偏移差异，适用于车道线检测。具体步骤如下：
- 1. 计算两条车道线 proposal 的起始和结束索引
- 2. 检查两个 proposal 是否有重叠区域
- 3. 计算两个 proposal 在重叠区域内的水平偏移差异总和
- 4. 将水平偏移差异总和与阈值进行比较，判断两个 proposal 是否重叠
经过 NMS 之后我们还需要对预测的车道线 proposal 进行 decode 解码将其转换为实际的车道线坐标，代码如下：
def proposals_to_pred(self, proposals):
self.anchor_ys = self.anchor_ys.to(proposals.device)
self.anchor_ys = self.anchor_ys.double()
lanes = []
for lane in proposals:
lane_xs = lane[5:] / self.img_w
start = int(round(lane[2].item() * self.n_strips))
length = int(round(lane[4].item()))
end = start + length - 1
end = min(end, len(self.anchor_ys) - 1)
# if the proposal does not start at the bottom of the image,
# extend its proposal until the x is outside the image
mask = ~((((lane_xs[:start] >= 0.) &
(lane_xs[:start] <= 1.)).cpu().numpy()[::-1].cumprod()[::-1]).astype(np.bool))
lane_xs[end + 1:] = -2
lane_xs[:start][mask] = -2
lane_ys = self.anchor_ys[lane_xs >= 0]
lane_xs = lane_xs[lane_xs >= 0]
lane_xs = lane_xs.flip(0).double()
lane_ys = lane_ys.flip(0)
if len(lane_xs) <= 1:
continue
points = torch.stack((lane_xs.reshape(-1, 1), lane_ys.reshape(-1, 1)), dim=1).squeeze(2)
lane = Lane(points=points.cpu().numpy(),
metadata={
'start_x': lane[3],
'start_y': lane[2],
'conf': lane[1]
})
lanes.append(lane)
return lanes
它主要包括如下步骤：(from ChatGPT)
- 1. 准备 anchor 的 y 坐标
- anchor_ys 是均匀分布固定的值，LaneATT 模型利用了车道线的先验知识，大多数车道线都是从图像底部开始向上延伸，因此 y 坐标的分布是相对固定的
- 2. 处理每个 proposal
- 归一化水平偏移量：
lane_xs = lane[5:] / self.img_w - 计算起始点和长度：
start：车道线的起始点在anchor中的索引
length：车道线的长度
end：车道线终点在anchor中的索引，确保不超过anchor范围
- 处理起始部分无效点：如果车道线 proposal 的起始点不在图像底部，将其扩展到图像外部，并将无效点设置为 -2
- 提取有效的车道线点：将无效点过滤掉，只保留有效的车道线点
- 翻转车道线点：将车道线点翻转，使其从起始点到终点
- 构造车道线对象：将车道线点构造成
Lane对象，并包含一些元数据（如起始点和置信度）
- 归一化水平偏移量：
- 3. 返回车道线列表：将所有车道线对象返回。
通过上述的分析后我们不难写出对应的后处理代码，如下所示：
def postprocess(self, pred):
# pred->1x1000x77
lanes = []
for img_id, lane_id in zip(*np.where(pred[..., 1] > self.conf_thresh)):
lane = pred[img_id, lane_id]
lanes.append(lane.tolist())
lanes = sorted(lanes, key=lambda x:x[1], reverse=True)
lanes = self._nms(lanes)
lanes_points = self._decode(lanes)
return lanes_points[:self.nms_topk]
def _nms(self, lanes):
remove_flags = [False] * len(lanes)
keep_lanes = []
for i, ilane in enumerate(lanes):
if remove_flags[i]:
continue
keep_lanes.append(ilane)
for j in range(i + 1, len(lanes)):
if remove_flags[j]:
continue
jlane = lanes[j]
if self._lane_iou(ilane, jlane) < self.nms_thres:
remove_flags[j] = True
return keep_lanes
def _lane_iou(self, lane_a, lane_b):
# lane = (_, conf, start_y, start_x, length, ...) = 2+2+1+72 = 77
start_a = int(lane_a[2] * self.n_strips + 0.5)
start_b = int(lane_b[2] * self.n_strips + 0.5)
start = max(start_a, start_b)
end_a = start_a + int(lane_a[4] + 0.5) - 1
end_b = start_b + int(lane_b[4] + 0.5) - 1
end = min(min(end_a, end_b), self.n_strips)
dist = 0
for i in range(start, end + 1):
dist += abs(lane_a[i + 5] - lane_b[i + 5])
dist = dist / float(end - start + 1)
print(f"dist = {dist}")
return dist
def _decode(self, lanes):
lanes_points = []
for lane in lanes:
start = int(lane[2] * self.n_strips + 0.5)
end = start + int(lane[4] + 0.5) - 1
end = min(end, self.n_strips)
points = []
for i in range(start, end + 1):
points.append([lane[i + 5] / self.img_w, self.anchor_ys[i]])
points = torch.from_numpy(np.array(points))
lanes_points.append(points)
return lanes_points
4. LaneATT推理
通过上面对 LaneATT 的预处理和后处理分析之后，整个推理过程就显而易见了。LaneATT 的推理包括图像预处理、模型推理、预测结果后处理三部分，其中预处理主要包括 resize，后处理主要包括 NMS 和 decode 解码两部分
完整的推理代码如下：
import cv2
import torch
import numpy as np
import onnxruntime as ort
class LaneATT(object):
def __init__(self, model_path, S=72, img_w=640, img_h=360, conf_thresh=0.5, nms_thres=50., nms_topk=4) -> None:
self.predictor = ort.InferenceSession(model_path, provider_options=["CPUExecutionProvider"])
self.n_strips = S - 1
self.n_offsets = S
self.img_w = img_w
self.img_h = img_h
self.conf_thresh = conf_thresh
self.nms_thres = nms_thres
self.nms_topk = nms_topk
self.anchor_ys = [1 - i / self.n_strips for i in range(self.n_offsets)]
def preprocess(self, img):
# 1. resize
img = cv2.resize(img, (self.img_w, self.img_h))
# 2. normalize
img = (img / 255.0).astype(np.float32)
# 3. to bchw
img = img.transpose(2, 0, 1)[None]
return img
def forward(self, input):
# input->1x3x360x640
output = self.predictor.run(None, {"images": input})[0]
return output
def postprocess(self, pred):
# pred->1x1000x77
lanes = []
for img_id, lane_id in zip(*np.where(pred[..., 1] > self.conf_thresh)):
lane = pred[img_id, lane_id]
lanes.append(lane.tolist())
lanes = sorted(lanes, key=lambda x:x[1], reverse=True)
lanes = self._nms(lanes)
lanes_points = self._decode(lanes)
return lanes_points[:self.nms_topk]
def _nms(self, lanes):
remove_flags = [False] * len(lanes)
keep_lanes = []
for i, ilane in enumerate(lanes):
if remove_flags[i]:
continue
keep_lanes.append(ilane)
for j in range(i + 1, len(lanes)):
if remove_flags[j]:
continue
jlane = lanes[j]
if self._lane_iou(ilane, jlane) < self.nms_thres:
remove_flags[j] = True
return keep_lanes
def _lane_iou(self, lane_a, lane_b):
# lane = (_, conf, start_y, start_x, length, ...) = 2+2+1+72 = 77
start_a = int(lane_a[2] * self.n_strips + 0.5)
start_b = int(lane_b[2] * self.n_strips + 0.5)
start = max(start_a, start_b)
end_a = start_a + int(lane_a[4] + 0.5) - 1
end_b = start_b + int(lane_b[4] + 0.5) - 1
end = min(min(end_a, end_b), self.n_strips)
dist = 0
for i in range(start, end + 1):
dist += abs(lane_a[i + 5] - lane_b[i + 5])
dist = dist / float(end - start + 1)
return dist
def _decode(self, lanes):
lanes_points = []
for lane in lanes:
start = int(lane[2] * self.n_strips + 0.5)
end = start + int(lane[4] + 0.5) - 1
end = min(end, self.n_strips)
points = []
for i in range(start, end + 1):
points.append([lane[i + 5] / self.img_w, self.anchor_ys[i]])
points = torch.from_numpy(np.array(points))
lanes_points.append(points)
return lanes_points
if __name__ == "__main__":
image = cv2.imread("02610.jpg")
model_file_path = "laneatt.sim.onnx"
model = LaneATT(model_file_path)
img_pre = model.preprocess(image)
pred = model.forward(img_pre)
lanes_points = model.postprocess(pred)
for points in lanes_points:
points[:, 0] *= image.shape[1]
points[:, 1] *= image.shape[0]
points = points.numpy().round().astype(int)
# for curr_p, next_p in zip(points[:-1], points[1:]):
# cv2.line(image, tuple(curr_p), tuple(next_p), color=(0, 255, 0), thickness=3)
for point in points:
cv2.circle(image, point, 3, color=(0, 255, 0), thickness=-1)
cv2.imwrite("result.jpg", image)
Note：这里直接使用的 ONNX 模型进行推理，它不像 torch 模型还需要去编译 NMS 插件比较麻烦，ONNX 模型的导出可以参考上篇文章
推理效果如下图：
至此，我们在 Python 上面完成了 LaneATT 的整个推理过程，下面我们去 C++ 上实现
二、LaneATT推理(C++)
C++ 上的实现我们使用的 repo 依旧是 tensorRT_Pro，现在我们就基于 tensorRT_Pro 完成 LaneATT 在 C++ 上的推理。
1. ONNX导出
ONNX 导出的细节请参考 LaneATT推理详解及部署实现（上），这边不再赘述。
2. LaneATT预处理
之前有提到过 LaneATT 的预处理就是一个 resize 操作，因此我们在 tensorRT_Pro 中 LaneATT 模型的预处理可以直接使用 resize 的 CUDA 核函数的实现，只是需要注意在 CUDAKernel::Norm 的指定时不需要做 channel invert 操作
tensorRT_Pro 的预处理代码如下：
// same to opencv
// reference: https://github.com/opencv/opencv/blob/24fcb7f8131f707717a9f1871b17d95e7cf519ee/modules/imgproc/src/resize.cpp
// reference: https://github.com/openppl-public/ppl.cv/blob/04ef4ca48262601b99f1bb918dcd005311f331da/src/ppl/cv/cuda/resize.cu
/*
可以考虑用同样实现的resize函数进行训练，python代码在：tools/test_resize.py
*/
__global__ void resize_bilinear_and_normalize_kernel(
uint8_t* src, int src_line_size, int src_width, int src_height, float* dst, int dst_width, int dst_height,
float sx, float sy, Norm norm, int edge
){
int position = blockDim.x * blockIdx.x + threadIdx.x;
if (position >= edge) return;
int dx = position % dst_width;
int dy = position / dst_width;
float src_x = (dx + 0.5f) * sx - 0.5f;
float src_y = (dy + 0.5f) * sy - 0.5f;
float c0, c1, c2;
int y_low = floorf(src_y);
int x_low = floorf(src_x);
int y_high = limit(y_low + 1, 0, src_height - 1);
int x_high = limit(x_low + 1, 0, src_width - 1);
y_low = limit(y_low, 0, src_height - 1);
x_low = limit(x_low, 0, src_width - 1);
int ly = rint((src_y - y_low) * INTER_RESIZE_COEF_SCALE);
int lx = rint((src_x - x_low) * INTER_RESIZE_COEF_SCALE);
int hy = INTER_RESIZE_COEF_SCALE - ly;
int hx = INTER_RESIZE_COEF_SCALE - lx;
int w1 = hy * hx, w2 = hy * lx, w3 = ly * hx, w4 = ly * lx;
float* pdst = dst + dy * dst_width + dx * 3;
uint8_t* v1 = src + y_low * src_line_size + x_low * 3;
uint8_t* v2 = src + y_low * src_line_size + x_high * 3;
uint8_t* v3 = src + y_high * src_line_size + x_low * 3;
uint8_t* v4 = src + y_high * src_line_size + x_high * 3;
c0 = resize_cast(w1 * v1[0] + w2 * v2[0] + w3 * v3[0] + w4 * v4[0]);
c1 = resize_cast(w1 * v1[1] + w2 * v2[1] + w3 * v3[1] + w4 * v4[1]);
c2 = resize_cast(w1 * v1[2] + w2 * v2[2] + w3 * v3[2] + w4 * v4[2]);
if(norm.channel_type == ChannelType::Invert){
float t = c2;
c2 = c0; c0 = t;
}
if(norm.type == NormType::MeanStd){
c0 = (c0 * norm.alpha - norm.mean[0]) / norm.std[0];
c1 = (c1 * norm.alpha - norm.mean[1]) / norm.std[1];
c2 = (c2 * norm.alpha - norm.mean[2]) / norm.std[2];
}else if(norm.type == NormType::AlphaBeta){
c0 = c0 * norm.alpha + norm.beta;
c1 = c1 * norm.alpha + norm.beta;
c2 = c2 * norm.alpha + norm.beta;
}
int area = dst_width * dst_height;
float* pdst_c0 = dst + dy * dst_width + dx;
float* pdst_c1 = pdst_c0 + area;
float* pdst_c2 = pdst_c1 + area;
*pdst_c0 = c0;
*pdst_c1 = c1;
*pdst_c2 = c2;
}
关于预处理部分其实就是调用了上述 CUDA 核函数来实现 resize，由于在 CUDA 中我们是对每个像素进行操作，因此非常容易实现 BGR->RGB，/255.0 等操作。
3. LaneATT后处理
之前我们有提过 LaneATT 的后处理部分主要是包括 NMS 和 decode 两部分，这里博主主要参考了 TensorRT-LaneATT 的实现
关于 NMS 的实现这里博主是将其放在 GPU 上完成的，也是沿用了 tensorRT_Pro 的代码，如下所示：
static __device__ float LaneIoU(float* a, float* b){
int start_a = (int)(a[2] * N_STRIPS + 0.5f);
int start_b = (int)(b[2] * N_STRIPS + 0.5f);
int start = max(start_a, start_b);
int end_a = start_a + (int)(a[4] + 0.5f) - 1;
int end_b = start_b + (int)(b[4] + 0.5f) - 1;
int end = min(min(end_a, end_b), N_STRIPS);
float dist = 0.0f;
for(int i = 6 + start; i <= 6 + end; ++i){
dist += fabsf(a[i] - b[i]);
}
return dist / (float)(end - start + 1);
}
static __global__ void nms_kernel(float* lanes, int max_lanes, float threshold){
int position = (blockDim.x * blockIdx.x + threadIdx.x);
int count = min((int)*lanes, max_lanes);
if(position >= count)
return;
float* pcurrent = lanes + 1 + position * NUM_LANE_ELEMENT;
if(pcurrent[5] == 0) return;
for(int i = 0; i < count; ++i){
float* pitem = lanes + 1 + i * NUM_LANE_ELEMENT;
if(i == position) continue;
if(pitem[1] >= pcurrent[1]){
if(pitem[1] == pcurrent[1] && i < position)
continue;
float iou = LaneIoU(pcurrent, pitem);
if(iou < threshold){
pcurrent[5] = 0; // 1=keep, 0=ignore
return;
}
}
}
}
关于 NMS 的具体实现也是启动多个线程，每个线程处理一条车道线 proposal，如果剩余 proposal 中的置信度大于当前线程中处理的车道线，则计算两个车道线的 IoU，通过 IoU 值判断是否保留该框。相比于 CPU 版的 NMS 应该是少套了一层循环，另外一层循环是通过 CUDA 上线程的并行操作处理的
decode 解码部分中通过置信度过滤的实现是放在 GPU 上做的，代码如下：
static __global__ void decode_kernel(float* predict, int num_lanes, float confidence_threshold, float* parray){
int position = blockDim.x * blockIdx.x + threadIdx.x;
if (position >= num_lanes) return;
float* pitem = predict + (NUM_LANE_ELEMENT - 1) * position;
float conf = pitem[1];
if(conf < confidence_threshold)
return;
int index = atomicAdd(parray, 1);
float conf1 = *pitem++;
float conf2 = *pitem++;
float start_y = *pitem++;
float start_x = *pitem++;
float length = *pitem++;
float* pout_item = parray + 1 + index * NUM_LANE_ELEMENT;
*pout_item++ = conf1;
*pout_item++ = conf2;
*pout_item++ = start_y;
*pout_item++ = start_x;
*pout_item++ = length;
*pout_item++ = 1; // 1 = keep, 0 = ignore
for(int i = 0; i < N_OFFSETS; ++i){
float point = *pitem++;
*pout_item++ = point;
}
}
另外 proposal 中点的解码是放在 CPU 上做的，代码如下：
for(auto& lane : image_based_lanes){
lane.points.reserve(N_OFFSETS / 2);
int start = (int)(lane.start_y * N_STRIPS + 0.5f);
int end = start + (int)(lane.length + 0.5f) - 1;
end = min(end, N_STRIPS);
for(int i = start; i <= end; ++i){
lane.points.push_back(cv::Point2f(lane.lane_xs[i] / input_width_, anchor_ys_[i]));
}
}
4. LaneATT推理
通过上面对 LaneATT 的预处理和后处理分析之后，整个推理过程就显而易见了。C++ 上 LaneATT 的预处理部分可直接沿用 tensorRT_Pro 中的 CUDA resize，后处理中的 decode 和 NMS 部分需要简单修改
我们在终端执行如下指令即可完成推理（注意！完整流程博主会在后续内容介绍，这边只是简单演示）：
make laneatt -j64
编译图解如下所示：
推理结果如下图所示：
至此，我们在 C++ 上面完成了 LaneATT 的整个推理过程，下面我们将完整的走一遍流程
三、LaneATT部署
博主新建了一个仓库 tensorRT_Pro-YOLOv8，该仓库基于 shouxieai/tensorRT_Pro，并进行了调整以支持 YOLOv8 的各项任务，目前已支持分类、检测、分割、姿态点估计任务。
下面我们就来具体看看如何利用 tensorRT_Pro-YOLOv8 这个 repo 完成 LaneATT 模型的推理。
1. 源码下载
tensorRT_Pro-YOLOv8 的代码可以直接从 GitHub 官网上下载，源码下载地址是 https://github.com/Melody-Zhou/tensorRT_Pro-YOLOv8，Linux 下代码克隆指令如下：
git clone https://github.com/Melody-Zhou/tensorRT_Pro-YOLOv8.git
也可手动点击下载，点击右上角的 Code 按键，将代码下载下来。至此整个项目就已经准备好了。也可以点击 here 下载博主准备好的源代码（注意代码下载于 2024/8/4 日，若有改动请参考最新）
2. 环境配置
需要使用的软件环境有 TensorRT、CUDA、cuDNN、OpenCV、Protobuf，所有软件环境的安装可以参考 Ubuntu20.04软件安装大全，这里不再赘述，需要各位看官自行配置好相关环境😄，外网访问较慢，这里提供下博主安装过程中的软件安装包下载链接 Baidu Drive【pwd:yolo】🚀🚀🚀
tensorRT_Pro-YOLOv8 提供 CMakeLists.txt 和 Makefile 两种方式编译，二者选一即可
2.1 配置CMakeLists.txt
主要修改五处
1. 修改第 13 行，修改 OpenCV 路径
set(OpenCV_DIR "/usr/local/include/opencv4")
2. 修改第 15 行，修改 CUDA 路径
set(CUDA_TOOLKIT_ROOT_DIR "/usr/local/cuda-11.6")
3. 修改第 16 行，修改 cuDNN 路径
set(CUDNN_DIR "/usr/local/cudnn8.4.0.27-cuda11.6")
4. 修改第 17 行，修改 tensorRT 路径
set(TENSORRT_DIR "/opt/TensorRT-8.4.1.5")
5. 修改第 20 行，修改 protobuf 路径
set(PROTOBUF_DIR "/home/jarvis/protobuf")
2.2 配置Makefile
主要修改五处
1. 修改第 4 行，修改 protobuf 路径
lean_protobuf := /home/jarvis/protobuf
2. 修改第 5 行，修改 tensorRT 路径
lean_tensor_rt := /opt/TensorRT-8.4.1.5
3. 修改第 6 行，修改 cuDNN 路径
lean_cudnn := /usr/local/cudnn8.4.0.27-cuda11.6
4. 修改第 7 行，修改 OpenCV 路径
lean_opencv := /usr/local
5. 修改第 8 行，修改 CUDA 路径
lean_cuda := /usr/local/cuda-11.6
3. ONNX导出
导出细节可以查看 LaneATT推理详解及部署实现（上），这边不再赘述。记得将导出的 ONNX 模型放在 tensorRT_Pro-YOLOv8/workspace 文件夹下。
4. engine生成
在 workspace 下新建 laneatt_build.sh，其内容如下：
#! /usr/bin/bash
TRTEXEC=/home/jarvis/lean/TensorRT-8.6.1.6/bin/trtexec
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/jarvis/lean/TensorRT-8.6.1.6/lib
${TRTEXEC} \
--onnx=laneatt.sim.onnx \
--minShapes=images:1x3x360x640 \
--optShapes=images:1x3x360x640 \
--maxShapes=images:8x3x360x640 \
--memPoolSize=workspace:2048 \
--saveEngine=laneatt.sim.FP16.trtmodel \
--fp16 \
> laneatt.log 2>&1
其中需要修改 TRTEXEC 的路径为你自己的路径，终端执行如下指令：
cd tensorRT_Pro-YOLOv8/workspace
bash laneatt_build.sh
执行后等待一段时间会在当前文件夹生成 laneatt.sim.FP16.trtmodel 即模型引擎文件，注意终端看不到任何日志打印输出，这是因为博主将 tensorRT 输出的日志信息保存到了 laneatt.log 文件中，大家也可以删除保存直接在终端显示相关日志信息
Note：博主也提供了 TRT::compile 接口生成 engine 文件，不过在反序列化的时候可能会出现如下的问题：
这个主要是因为 tensorRT_Pro-YOLOv8 自己构建的 onnxparser 版本太老，不支持 ScatterND 节点的解析，我们可以手动替换 onnxparser 解析器具体可以参考：RT-DETR推理详解及部署实现
另外我们也可以写插件支持，杜老师在 tensorRT_Pro 中有提供 ScatterND 的插件，我们可以直接使用，只不过需要对 ONNX 模型进行一些简单的修改，大家感兴趣的话可以看看：LayerNorm Plugin的使用与说明
5. 源码修改
如果你想推理自己训练的模型还需要修改下源代码，LaneATT 模型的推理代码主要在 app_laneatt.cpp 文件中，我们就只需要修改这一个文件的内容即可，源码修改较简单主要有以下几点：
- app_laneatt.cpp 226 行，“laneatt.sim” 修改为你导出的 ONNX 模型名
具体修改示例如下：
test(TRT::Mode::FP16, "laneatt.sim"); // 修改1 226 行 "laneatt.sim" 改成 "best"
6. 运行
OK！源码修改好了，Makefile 编译文件也搞定了，engine 模型也准备好了，现在可以编译运行了，直接在终端执行如下指令即可：
make laneatt -j64
推理结果如下图所示：
推理成功后会生成 laneatt.sim_LaneATT_FP16_result 文件夹，该文件夹下保存了推理的图片。
模型推理效果如下图所示：
OK，以上就是使用 tensorRT_Pro-YOLOv8 推理 LaneATT 的大致流程，若有问题，欢迎各位看官批评指正。
结语
博主在这里针对 LaneATT 的预处理和后处理做了简单分析，同时与大家分享了 C++ 上的实现流程，目的是帮大家理清思路，更好的完成后续的部署工作😄。感谢各位看到最后，创作不易，读后有收获的看官请帮忙点个👍⭐️
从精度来看 LaneATT 可能无法匹级目前的 SOTA，并且其工程实用性可能也比不过基于 down-top 的分割方案，不过作为车道线检测任务入门的学习还是不错的🤗
最后大家如果觉得 tensorRT_Pro-YOLOv8 这个 repo 对你有帮助的话，不妨点个 ⭐️ 支持一波，这对博主来说非常重要，感谢各位🙏。
下载链接
- 软件安装包下载链接【提取码:yolo】🚀🚀🚀
- 源代码、权重下载链接【提取码:lane】
参考
- LaneATT推理详解及部署实现（上）
- https://github.com/lucastabelini/LaneATT
- https://github.com/Yibin122/TensorRT-LaneATT
- https://github.com/shouxieai/tensorRT_Pro
- https://github.com/Melody-Zhou/tensorRT_Pro-YOLOv8
