前言

杜老师推出的 tensorRT从零起步高性能部署 课程，之前有看过一遍，但是没有做笔记，很多东西也忘了。这次重新撸一遍，顺便记记笔记。

本次课程学习 tensorRT 高级-自动驾驶案例项目self-driving-道路分割分析

课程大纲可看下面的思维导图

1. 道路分割

这节我们学习自动驾驶场景中的模型案例

1. 这个案例中存在 4 个模型，分别是：车辆检测 YoloX、车道线检测、道路分割、深度估计

2. 学习把该案例的模型跑起来，对不同任务进行了解

项目地址：https://github.com/iwatake2222/self-driving-ish_computer_vision_system

图1 演示效果图

我们只需要拿到项目提供的模型并导出 ONNX 就行了，至于其它的环境配置等我们就不用关注了

那在案例中提供了下载好的模型，因此我们可以直接看案例代码

我们先来看道路分割模型，我们的目的是找到道路分割的 onnx，分析其 onnx 的大致使用逻辑，然后写出最简洁版本的 predict.py，大体可以分为以下三步：

1. 打开道路分割的 onnx，查看其输入与输出

2. 查看代码，找到 onnx 的预处理，分析得到预处理的逻辑

3. 针对获得的信息，编写 predict.py，尝试写出来

我们来观察下其 onnx 模型，如下图所示：

图2 onnx模型

从导出的 onnx 我们可以了解并猜测：

• 输入是 1x3x512x896
• 输出是 1x512x896x4，并且是概率值，0~1，仅仅是不确定 4 通道代表什么
• 可能代表：可行驶区域、车道线、不可行驶区域、马路牙子

我们通过分析项目中的 image_processor/semantic_segmentation_engine.cpp 文件可以得出具体的预处理所做的工作：(详细分析请参照视频)

• normalize $\to$ mean = 0, norm = 1.0
• 对输入图像直接 resize 到 height=512，width=896
• 确定输入的图像就是 BGR 图像
• normalize = (src_image - normalize.mean) * normalize.norm

我们可以简单的写个预处理程序来验证下，代码如下：

import onnxruntime
import cv2
import numpy as npsession = onnxruntime.InferenceSession("workspace/road-segmentation-adas.onnx", provider_options=["CPUExecutionProvider"])image = cv2.imread("workspace/imgs/dashcam_00.jpg")
image = cv2.resize(image, (896, 512))
image_tensor = image.astype(np.float32)
image_tensor = image_tensor.transpose(2, 0, 1)[None]prob = session.run(["tf.identity"], {"data": image_tensor})[0]print(prob.shape)cv2.imwrite("prob0.jpg", prob[0, :, :, 1] * 255)

输出如下图：

图3 预处理验证

可以看到输出符合我们的预期，输出的概率图如下所示：

图4 道路分割概率图

总结

本次课程学习了开源项目中的道路分割案例，主要是对道路分割模型的 onnx 进行了简单分析，并通过对项目代码的分析将预处理部分理清楚，然后通过 onnxruntime 进行了简单验证。
次课程学习了开源项目中的道路分割案例，主要是对道路分割模型的 onnx 进行了简单分析，并通过对项目代码的分析将预处理部分理清楚，然后通过 onnxruntime 进行了简单验证。