ultra_fast_lane_detection pretrained 모델 test하기

먼저 pretrained 모델을 불러온다. (직전 포스터 참고)

그리고 이제 가지고 있는 이미지 데이터로 위 모델을 한번 돌려보겠다.

---

img_transforms = transforms.Compose([
    transforms.Resize((288, 800)),
    transforms.ToTensor(),
    transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225)),
])

먼저 torchvision에서 제공하는 transform.Compose로 만들 이미지 데이터의 설정을 compose로 구성한다

---

 

test_data = torchvision.datasets.ImageFolder(root = '/home/20163381/data_ca', transform=img_transforms)
test_set = DataLoader(dataset= test_data, batch_size=1)

파이토치 데이터셋 객체를 만들고 만든 데이터 셋을 순회할 수 있는 iterable로 감싸준다. 이는 모델을 돌리기 위해 필요한 작업이다.

---

row_anchor = [ 64,  68,  72,  76,  80,  84,  88,  92,  96, 100, 104, 108, 112,
            116, 120, 124, 128, 132, 136, 140, 144, 148, 152, 156, 160, 164,
            168, 172, 176, 180, 184, 188, 192, 196, 200, 204, 208, 212, 216,
            220, 224, 228, 232, 236, 240, 244, 248, 252, 256, 260, 264, 268,
            272, 276, 280, 284]

그리고 row_anchor를 생성하는데 이것의 의미는 추후 논문을 보고 알아내야 할 거 같다.

---

name_img= os.listdir('/home/20163381/data_ca/data_1')

이미지 데이터 폴더 내의 이미지 이름을 리스트로 뽑아내고 절대 경로로 생성한다.

---

for num, data in enumerate(test_set):
    imgs, label = data
    imgs = imgs.cuda()
    with torch.no_grad():
        prediction = net(imgs)
    col_sample = np.linspace(0, 800 - 1, 100)
    col_sample_w = col_sample[1] - col_sample[0]
    
    out_j = out[0].data.cpu().numpy()
    out_j = out_j[:, ::-1, :]
    
    prob = scipy.special.softmax(out_j[:-1, :, :], axis=0)
    idx = np.arange(100) + 1
    idx = idx.reshape(-1, 1, 1)
    loc = np.sum(prob * idx, axis=0)
    out_j = np.argmax(out_j, axis=0)
    loc[out_j == 100] = 0
    out_j = loc
    vis = cv2.imread(os.path.join('/home/20163381/data_ca/data_1',name_img[num]))
    
    for i in range(out_j.shape[1]):
        if np.sum(out_j[:, i] != 0) > 2:
            for k in range(out_j.shape[0]):
                if out_j[k, i] > 0:
                    ppp = (int(out_j[k, i] * col_sample_w * 1920 / 800) - 1, int(1080 * (row_anchor[56-1-k]/288)) - 1 )
                    cv2.circle(vis,ppp,5,(0,255,0),-1)
    cv2.imwrite(os.path.join('/home/20163381/temp',name_img[num]), vis)

이제 만든 dataloader로 데이터를 순회하면서 모델을 돌리게 되는데.. 위 내용은 아직 잘 모르겠다. 우선 demo와 다르게 파라미터를 다 값으로 채워주고 이미지로 결과를 저장하는 작업을 추가했다.  

 

이러면 이제 다음과 같은 결과가 나오게 되는데... 아무리 pretrained된 모델을 사용했다 하더라도 너무 이상하게 나와서 한번 논문을 다시 보고 파라미터를 수정해봐야겠다.