- 软件下载安装
- 数据采集
- 自定义dataset
- 模型搭建
- 模型训练
- 测试
- 总结
- 后续
1.下载地址：https://github.com/udacity/self-driving-car-sim
2.进入链接后可在选择自己的平台下载。
3.下载的是个压缩包，直接解压即可使用
-
软件打开后首先会有如图所示的界面，即选择分辨率，画质，显示器。如若你的计算资源有限建议选择如图所示的参数即可。不然在计算资源达不到的情况下会产生比较大地延时，这里不建议。
-
进入后会让你选择模式，Training mode和autonomous mode两种模式，即训练模式和自动驾驶模式，在数据采集阶段肯定选择training mode，实际上就是进行数据采集。
-
进入训练模式后点击如图所示按钮选择数据存放路径，然后再次点击即可进行数据采集
-
采集完成后会在你选择的文件夹下生成这两个文件，IMG是小车前面三个摄像头所拍摄的画面，driving.csv是每张图片所具有的参数
-
csv文件如图所示，分别是中间摄像，左侧摄像，右侧摄像所拍摄画面，后面依次是转向角度，油门大小，刹车大小，当前速度。
- 为什么做这一步？如果你做一次转向数据直方图即可看到，想左转的数据明显大于向右转的数据，并且不转动的数据远大于转向数据，并且人工采集图像数据有限。
- 需要做的便是对图像进行水平镜像翻转，剔除部分转向为0的值。以及HSV色彩空间的值随机变换。
- 模型如图所示，很简单的模型，但是对于这个项目而言参数足够了。
class CustomerNet(nn.Module):
def __init__(self):
super(CustomerNet,self).__init__()
self.conv2d0=nn.Conv2d(in_channels=3,out_channels=32,kernel_size=5,stride=1,padding=2,bias=True)
self.conv2d1=nn.Conv2d(in_channels=32,out_channels=32,kernel_size=5,stride=1,padding=2,bias=True)
self.conv2d2=nn.Conv2d(in_channels=32,out_channels=64,kernel_size=5,stride=1,padding=2,bias=True)
self.maxpool0=nn.MaxPool2d(kernel_size=2,stride=2,padding=0)
self.conv2d3=nn.Conv2d(in_channels=64,out_channels=32,kernel_size=5,stride=1,padding=2,bias=True)
self.conv2d4=nn.Conv2d(in_channels=32,out_channels=3,kernel_size=5,stride=1,padding=0,bias=True)
self.flatten1=nn.Flatten()
self.relu=nn.ReLU()
self.liner1=nn.Linear(in_features=2160,out_features=320)
self.liner2=nn.Linear(in_features=320,out_features=80)
self.liner3=nn.Linear(in_features=80,out_features=20)
self.liner4=nn.Linear(in_features=20,out_features=1)
self.liner11=nn.Linear(in_features=4096,out_features=1024)
self.liner22=nn.Linear(in_features=1024,out_features=128)
self.liner33=nn.Linear(in_features=128,out_features=1)
def forward(self,x):
x=self.relu(self.conv2d0(x))
x=self.maxpool0(x)
x=self.relu(self.conv2d1(x))
x=self.maxpool0(x)
x=self.relu(self.conv2d2(x))
x=self.maxpool0(x)
x=self.relu(self.flatten1(x))
# print(x.shape)
x=F.relu(self.liner11(x))
x=self.relu(self.liner22(x))
x=self.liner33(x)
return x
5.模型训练
- 这一步按照一般流程走即可，因为模型很小，所以用cpu训练也会很快。同时训练会在logs目录下产生训练过程中的日志等
def main():
model=CustomerNet()
#加载损失函数
# loss=nn.CrossEntropyLoss()
loss=nn.MSELoss()
#加载优化器
optmizer=opt.SGD(model.parameters(),lr=0.003,momentum=0.8)
# trans=transforms.Compose([transforms.ToTensor()])
train_data,val_data,test_data=load_train_val(1)
sumwriter=SummaryWriter(log_dir='../logs')
#训练论数
epochs=80
step=1
for epoch in range(epochs):
print(f'-------------第{epoch+1}轮训练-----------')
runing_loss = 0
ind=0
train_data, val_data, test_data = load_train_val(0.8)
random.shuffle(train_data)
for data in tqdm(train_data):
try:imgpath,lables=data
except:continue
lables=torch.from_numpy(np.array([float(lables)],dtype=np.float32))
#图像预处理
img=trans_data(imgpath)
optmizer.zero_grad()
netout=model(img)
# print(lables)
lossnow=loss(netout,lables)
lossnow.backward()
optmizer.step()
runing_loss+=lossnow.item()
ind += 1
if ind%1000==0:
print('<<<<--------第%3d轮,图片：%10d张---------->>>> loss:%3f' %(epoch+1,ind,runing_loss/1000))
# sumwriter.add_image('img',img,dataformats='CWH')
sumwriter.add_scalar(tag='Loss',scalar_value=runing_loss/1000,global_step=step)
step+=1
if runing_loss/1000==0:
save(model,epoch)
return
runing_loss = 0
save(model,epoch)
6.测试
这个就多说了，直接看效果吧。
B站地址:https://www.bilibili.com/video/BV1Kf4y1K7z2/
基于Unity的自动驾驶模型测试
7.总结这里说一下我从这个实验里学到的东西吧，都是本人自己亲身一遍一遍的试过所总结的。
- 数据增强非常有必要，在训练之前一定要看观察整体数据在进行后续处理。有效的数据处理能起到事半功倍的效果
- 不加ReLu激活函数会产生过拟合的情况。
- 学习率太大会产生损失会产生剧烈的震荡
- 学习率太小会产生梯度消失
- 说一个小插曲，这个项目用了我三天半的时间，代码写完也就两个多小时，后面时间全是参数调试，所以才有了上面的总结，主要是在图像裁剪的部分，我原定的事向下裁剪60像素，训练几次都没觉得这里没有什么，最后实在找不到能改的地方了，就在这里改了下，把60改成65,后训练效果出奇的好。所以数据处理真的非常重要。
- 目前在复现YOLOv1的代码，已经接近尾声，后续代码也会上传至GitHub。敬请关注，一起进步。
