OpenLane-V2 数据集完整教程下载、预处理与目录结构一次搞懂【免费下载链接】OpenLane-V2[NeurIPS 2023 Track Datasets and Benchmarks] OpenLane-V2: The First Perception and Reasoning Benchmark for Road Driving项目地址: https://gitcode.com/gh_mirrors/op/OpenLane-V2OpenLane-V2 数据集是首个面向自动驾驶场景结构感知与推理的 Benchmark收录于 NeurIPS 2023 Track Datasets and Benchmarks。它提供 3D 车道中心线、交通元素及拓扑关系标注是研究 BEV 感知、拓扑推理的必学数据集。本文将从 OpenLane-V2 数据集下载、环境安装、预处理到目录结构给出一份新手也能一次搞懂的完整教程。OpenLane-V2 数据集是什么简单来说OpenLane-V2 数据集在 3D 空间中标注了车道中心线lane centerline并补充了交通灯、路牌等交通元素的属性以及车道之间、车道与交通元素之间的拓扑关系topology。相比早期 2D 车道线标注它更接近真实自动驾驶系统的需求。数据集按子集划分subset_A主数据集用于官方挑战赛和排行榜官方禁止使用包括 subset_B 在内的外部数据subset_B用于测试模型的泛化能力。官方还发布了「Map Element Bucket」扩展包将车道中心线升级为更完整的车道段lane segment并加入人行横道、道路边界等元素统一了静态驾驶场景的表示详见 docs/features.md。OpenLane-V2 数据集下载全攻略需要下载哪些文件文件类型说明参考大小OpenLane-V2 info初始任务OpenLane Topology的标注信息约 8.8GMap Element Bucket场景拓扑任务Driving Scene Topology的标注约 240MImage多视角相机图像train/val/test 共 9 个分卷每卷 14G 左右SD Map标准定义地图作为额外的传感器输入约 7M下载渠道支持 OpenDataLab、Google Drive 和百度网盘具体链接与 md5 校验值都在 data/README.md 中一一列出建议下载后使用md5sum -c openlanev2.md5校验完整性。快速体验下载 sample 示例数据如果只想快速了解 OpenLane-V2 数据集长什么样可以先下载约 300M 的 sample 数据再执行解压wget --load-cookies /tmp/cookies.txt https://docs.google.com/uc?exportdownloadconfirm$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate https://docs.google.com/uc?exportdownloadid[FILE_ID] -O- | sed -rn s/.*confirm([0-9A-Za-z_]).*/\1\n/p)id[FILE_ID] -O [FILE_NAME] md5sum -c openlanev2.md5 ls *.tar* | xargs -n1 tar -xvf完整流程可对照官方文档 docs/getting_started.md 的 Download Data 章节。最快配置方法安装开发工具包OpenLane-V2 提供 devkit 开发工具包安装后即可通过openlanev2的 API 加载图片、读取元数据以及评估结果。推荐按以下步骤快速完成环境搭建git clone https://gitcode.com/gh_mirrors/op/OpenLane-V2 cd OpenLane-V2 conda create -n openlanev2 python3.8 -y conda activate openlanev2 pip install -r requirements.txt python setup.py develop提示baseline 插件在 Python 3.8.15、PyTorch 1.9.1、CUDA 11.1 下测试通过完整依赖见 requirements.txt 与 setup.py。OpenLane-V2 数据预处理方法原始 JSON 标注逐个文件读取较慢官方提供预处理脚本将数据打包成 pickle 文件便于训练和评估时高效加载cd data python OpenLane-V2/preprocess.py如果想使用 SD Map 和 Map Element Bucket可分别按 data/README.md 中的说明指定with_sd_map参数、运行preprocess-ls.py。预处理的底层逻辑由 openlanev2/centerline/preprocessing/collect.py 实现它会遍历data_dict中记录的帧标识将相机内外参、位姿、车道中心线、拓扑邻接矩阵等转换为 NumPy 数组并可选地把 SD Map 裁剪到 BEV 范围后一并存入.pkl。其中point_interval参数可对车道中心线进行降采样默认不采样。OpenLane-V2 目录结构详解解压后的OpenLane-V2/文件夹层级如下└── OpenLane-V2 ├── train | ├── [segment_id] | | ├── image (多视角图像) | | | ├── [camera] | | | | ├── [timestamp].jpg | | ├── sdmap.json (SD Map) | | └── info | | ├── [timestamp].json (OpenLane-V2 标注) | | ├── [timestamp]-ls.json (Map Element Bucket) ├── val ├── test ├── data_dict_example.json ├── data_dict_subset_A.json ├── data_dict_subset_B.json ├── openlanev2.md5 ├── preprocess.py └── preprocess-ls.py几个关键点[segment_id]是一段连续帧序列[timestamp]是序列中的单帧info/下的 JSON 包含版本、位姿、相机内外参和标注信息字段说明见 data/README.md 的 Meta Data 章节data_dict_*.json记录了各子集 train/val/test 的划分标注的邻接矩阵topology_lclc、topology_lcte行和列必须与列表顺序保持一致评估才能正确。数据集统计与注释细节想了解数据分布可以参考 docs/statistics.md它展示了 subset_A 的时间一致性、实例分布、中心线属性和拓扑分布更详细的字段定义如交通元素属性、车道线类型、区域类别编码可查阅 docs/annotation.md以及源码中的常量定义 openlanev2/utils.py。快速上手教程与可视化安装好 devkit 后最推荐的入门方式是直接跑官方 Jupyter 教程tutorials/Centerline.ipynb中心线任务的加载、可视化与评估示例tutorials/LaneSegment.ipynb车道段Map Element Bucket任务示例。可视化和评估相关 API 位于 openlanev2/centerline/ 子包例如evaluation下的 F-Score、距离计算和评估入口可直接对比预测结果与真值。总结从 OpenLane-V2 数据集下载、环境安装、预处理到目录结构本教程已经带你完整走了一遍。接下来建议按顺序先跑 sample 数据熟悉格式再看 tutorials 完成一次可视化最后参考 docs/getting_started.md 的训练章节用 plugin/models/ 中的 baseline 配置训练你的第一个模型。祝你在 3D 车道感知与拓扑推理的道路上顺利起步【免费下载链接】OpenLane-V2[NeurIPS 2023 Track Datasets and Benchmarks] OpenLane-V2: The First Perception and Reasoning Benchmark for Road Driving项目地址: https://gitcode.com/gh_mirrors/op/OpenLane-V2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考