尧图网页设计 
简介智慧物流车道线分割数据集面向从事自动驾驶、智慧物流定位与路径规划方向的研究者与算法工程师尤其适合需要真实道路场景数据来训练和验证语义分割模型的中高级开发者。数据集包含500余张已标注图像覆盖不同照明环境并预先划分为训练集与验证集可直接用于车道线检测与分割任务的模型训练与效果评估。压缩包共1482个文件以888个png图像、298个txt标注文件和296个yaml配置文件为主png提供原始道路画面txt与yaml分别承载标注信息与数据配置整体约155.86MB目录结构清晰便于按需检索。目前已有302人学习下载可作为智慧物流场景下定位与路径规划研究的实用数据基础帮助读者省去自行采集与标注的成本快速搭建实验流程并对比不同分割算法的表现。1. 智慧物流车道线分割数据集500 张图背后的路径规划刚需做智慧物流落地的朋友大概率遇到过这个场景AGV 或无人配送车在园区里跑GPS 飘了、激光雷达被货架遮挡最后能兜底的往往就是视觉车道线。我最近拆了一份专门面向这个场景的车道线分割数据集500 多张标注好的图像覆盖不同照明环境已经切好训练集和验证集。它解决的不是通用自动驾驶那种高速公路场景而是物流园区、仓库月台、厂区道路这类低速、窄道、光照复杂的工况。适合谁做 AGV 视觉导航的、搞路径规划需要车道先验的、以及想拿车道线分割练手语义分割模型的人。说白了这是一份能直接喂给分割网络、省掉自己标数据痛苦的落地素材。2. 车道线分割任务拆解从像素级标注到路径可行驶区域2.1 为什么物流场景的车道线分割和公开道路不一样公开道路数据集比如 BDD100K、SemanticKITTI它们的车道线标注往往服务于高速或城市主干道车道宽、曲率小、标线规范。但物流园区完全是另一回事地面可能是水泥、环氧地坪甚至临时划线车道线经常被托盘、叉车、行人遮挡照明从正午强光到仓库内弱光甚至频闪。这份数据集把“不同照明环境”作为采集重点说明作者清楚物流场景的痛点不在车道线本身多复杂而在光照鲁棒性。如果你直接拿公开道路数据训模型往园区搬大概率翻车——模型学到的是标准白线特征遇到反光地坪或阴影就废了。2.2 分割标签的常见格式与这份数据的对应关系车道线分割本质是二分类语义分割像素属于车道线或背景。常见标签格式有三种PNG 掩码0/1 或 0/255、COCO JSON 多边形、以及 LaneNet 那种实例语义双输出。这份数据集正文只给了 img.png 的占位描述没有明确标签格式但按 500 张规模、训练/验证已划分的惯例最常见做法是每张原图对应一张同名 PNG 掩码。我一般会先跑一段脚本确认标签像素分布避免拿到手发现是灰度图却当二值图用。import cv2 import numpy as np import os # 检查标签掩码的像素值分布确认是二值还是多类 label_dir dataset/val/labels for fname in os.listdir(label_dir)[:5]: mask cv2.imread(os.path.join(label_dir, fname), cv2.IMREAD_GRAYSCALE) unique, counts np.unique(mask, return_countsTrue) print(fname, dict(zip(unique, counts)))这段代码的逻辑是用灰度模式读取掩码统计唯一像素值。如果输出只有 0 和 1说明是二值掩码训练时可以直接用 BCEWithLogitsLoss如果出现 0、1、2 甚至 255就要确认是否有忽略区域或多类标注。参数上IMREAD_GRAYSCALE保证不会因为三通道读取导致值偏移。这一步花两分钟能省掉后面训练时 loss 不下降的玄学排查。2.3 训练集与验证集的划分逻辑500 多张图按常见 8:2 或 7:3 切分验证集大概 100 到 150 张。这里有个坑如果划分时没有按光照条件分层采样验证集可能全是强光或全是弱光导致验证指标虚高或虚低。我拿到这类数据集的第一件事是看验证集里不同光照的分布如果偏得厉害会自己重新分层切一次。具体做法是按图像平均亮度分桶再从每桶里按比例抽验证集。import os import cv2 import numpy as np from sklearn.model_selection import train_test_split img_dir dataset/images files [f for f in os.listdir(img_dir) if f.endswith(.png)] brightness [] for f in files: img cv2.imread(os.path.join(img_dir, f), cv2.IMREAD_GRAYSCALE) brightness.append(img.mean()) # 按亮度分 5 桶每桶内按 8:2 切分 buckets np.digitize(brightness, np.percentile(brightness, [20, 40, 60, 80])) train_idx, val_idx [], [] for b in np.unique(buckets): idx np.where(buckets b)[0] tr, va train_test_split(idx, test_size0.2, random_state42) train_idx.extend(tr) val_idx.extend(va) print(ftrain: {len(train_idx)}, val: {len(val_idx)})逻辑说明np.digitize按亮度百分位把图像分成 5 档然后在每档内部做 8:2 切分保证验证集覆盖各种光照。random_state42固定随机种子方便复现。如果你的数据集已经切好且分布均匀这步可以跳过但如果验证指标波动大建议重切。3. 用 U-Net 跑通第一版分割输入尺寸、损失函数与训练参数3.1 模型选型为什么 U-Net 仍是车道线分割的稳妥起点车道线分割在物流场景下属于小目标、细长结构分割DeepLabV3 的空洞卷积对大目标友好但对细线容易断SegFormer 等 Transformer 类模型需要更多数据。U-Net 的跳跃连接能把浅层边缘特征传到解码器对车道线这种细结构更稳。500 张图不算多从 ResNet34 或 MobileNetV2 预训练编码器起步比从头训 ViT 靠谱。我一般用segmentation_models_pytorch库一行代码换编码器省得自己搭。3.2 数据增强针对光照变化的几个必做项这份数据集的核心变量是照明所以增强策略要围绕光照做而不是随便翻转。必做项随机亮度对比度调整BrightnessContrast、随机伽马校正RandomGamma、以及 HSV 空间的色调饱和度微调。翻转和旋转可以用但要注意车道线在图像中通常有方向性垂直翻转可能产生不合理的车道结构建议只做水平翻转和小角度旋转。import albumentations as A from albumentations.pytorch import ToTensorV2 train_transform A.Compose([ A.RandomBrightnessContrast(brightness_limit0.3, contrast_limit0.3, p0.7), A.RandomGamma(gamma_limit(70, 130), p0.5), A.HueSaturationValue(hue_shift_limit10, sat_shift_limit20, val_shift_limit20, p0.5), A.HorizontalFlip(p0.5), A.Rotate(limit10, p0.5), A.Resize(512, 512), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ])参数说明brightness_limit0.3表示亮度随机缩放 ±30%覆盖从暗到亮gamma_limit(70,130)模拟不同曝光曲线Resize(512,512)是 U-Net 常用输入显存不够可降到 256。Normalize用 ImageNet 均值方差因为编码器是预训练的。注意验证集只做 Resize 和 Normalize不做随机增强。3.3 损失函数与评估指标Dice 和 IoU 怎么选车道线像素占比通常不到 5%属于极端类别不平衡。纯 BCE 会让模型倾向预测全背景Dice Loss 或 Focal Loss 更合适。我一般用 Dice BCE 组合Dice 管重叠区域BCE 管像素级分类。评估指标看 IoU 和 Dice但要注意车道线细IoU 对断裂敏感可以额外看连通域数量判断是否断线。import torch import torch.nn as nn class DiceBCELoss(nn.Module): def __init__(self, weight0.5): super().__init__() self.weight weight self.bce nn.BCEWithLogitsLoss() def forward(self, pred, target): bce_loss self.bce(pred, target) pred_sigmoid torch.sigmoid(pred) intersection (pred_sigmoid * target).sum() dice_loss 1 - (2 * intersection 1e-6) / (pred_sigmoid.sum() target.sum() 1e-6) return self.weight * bce_loss (1 - self.weight) * dice_loss逻辑BCEWithLogitsLoss内部做 sigmoid数值稳定Dice 部分用 sigmoid 后的概率算重叠。1e-6防止除零。weight0.5是经验值如果验证集 IoU 低但 loss 降可以调高 Dice 权重到 0.7。3.4 训练参数配置与显存不够时的降级方案输入 512×512、batch size 8、AdamW lr1e-4、余弦退火、30 个 epoch这是 8GB 显存能跑的配置。如果只有 6GB把 batch 降到 4用梯度累积模拟 batch 8。编码器选 MobileNetV2 比 ResNet34 省显存但 IoU 可能低 2 到 3 个点。训练时每 5 个 epoch 存一次权重验证 IoU 连续 3 次不升就早停。from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR model smp.Unet(encoder_nameresnet34, encoder_weightsimagenet, in_channels3, classes1) optimizer AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max30, eta_min1e-6)encoder_weightsimagenet加载预训练权重500 张图必须用预训练从头训基本没戏。classes1是二分类输出。weight_decay1e-4防过拟合。4. 避坑与排查标注噪声、光照过曝与验证集泄漏4.1 现象训练 loss 正常下降但验证 IoU 始终低于 0.3原因最常见是标签掩码和原图没对齐或者掩码像素值不是 0/1 而是 0/255导致 BCE 把 255 当正类但 Dice 计算时数值爆炸。解决用 2.2 的脚本检查像素值如果是 0/255训练前除以 255。4.2 现象模型在强光图像上完全预测不出车道线原因训练集里强光样本太少或者增强时亮度调整范围不够。解决统计训练集亮度分布对过曝图像单独过采样或者把brightness_limit提高到 0.4。另外检查原图是否本身已经过曝到车道线消失这种图建议剔除。4.3 现象验证集 IoU 很高但实际推理时车道线断裂原因验证集和训练集来自同一段视频的相邻帧存在泄漏。相邻帧差异极小模型相当于背答案。解决按视频段或采集批次划分训练验证而不是随机按帧划分。如果数据集没给采集批次信息用图像感知哈希去重把相似度高的图分到同一侧。4.4 现象推理时输入尺寸和训练不一致导致输出错位原因训练用 512×512推理时直接喂原图 1920×1080U-Net 的下采样倍数导致输出尺寸不匹配。解决推理时先 Resize 到 512×512预测后再上采样回原图尺寸。上采样用最近邻别用双线性否则车道线边缘会糊。import torch.nn.functional as F def predict(model, img_tensor, orig_size): model.eval() with torch.no_grad(): pred model(img_tensor.unsqueeze(0)) pred torch.sigmoid(pred) pred F.interpolate(pred, sizeorig_size, modenearest) return (pred 0.5).squeeze().cpu().numpy()modenearest保持二值边缘锐利0.5是阈值可根据验证集 PR 曲线调。4.5 现象Dice Loss 训练初期震荡剧烈原因Dice 对空掩码或极小目标敏感如果某张图没有车道线Dice 分母接近零。解决确认数据集中是否有无车道线的负样本如果有训练时跳过 Dice 计算或给 Dice 加平滑项。另外 batch size 太小也会震荡梯度累积能缓解。5. 从分割掩码到路径规划骨架提取与可行驶区域生成拿到分割掩码只是第一步路径规划需要的是车道线方程或可行驶区域多边形。我一般用骨架化加多项式拟合把二值掩码变成左右车道线曲线再算中间区域。这里有个技巧物流园区车道线经常只有一侧清晰另一侧被遮挡所以不要强求左右成对单侧线加固定宽度也能生成可行驶区域。import cv2 import numpy as np from skimage.morphology import skeletonize def mask_to_path(mask): # mask: 二值掩码1 为车道线 skeleton skeletonize(mask.astype(bool)) ys, xs np.where(skeleton) if len(xs) 10: return None # 按 y 坐标拟合 x f(y)适合纵向车道线 coeffs np.polyfit(ys, xs, 2) y_range np.linspace(ys.min(), ys.max(), 50) x_fit np.polyval(coeffs, y_range) return list(zip(x_fit, y_range))逻辑skeletonize把粗线变成单像素骨架减少拟合噪声。polyfit二次拟合因为车道线在透视变换后通常是抛物线。如果车道线接近直线一次拟合就够。返回的(x, y)点列可以直接给规划模块做参考线。参数上len(xs) 10是保护避免噪声骨架导致拟合出离谱曲线。验证方法把拟合曲线画回原图肉眼看是否贴合。我习惯每换一个数据集就抽 20 张画一遍比看指标直观。另外可以算拟合残差残差大于 5 像素的帧标记出来人工检查。进阶用法如果要做时序跟踪把相邻帧的拟合系数做卡尔曼滤波系数变化平滑后路径抖动会明显减少。这个技巧在园区低速场景特别管用因为单帧分割偶尔会断但时序滤波能补回来。从那以后我每次拿到新的分割数据集都强制走一遍“像素值检查→亮度分层→骨架拟合可视化”这三步再开始训模型。希望帮到你。本文还有配套的精品资源点击获取 智慧物流车道线分割数据集与U-Net实战：从标注到路径规划
简介智慧物流车道线分割数据集面向从事自动驾驶、智慧物流定位与路径规划方向的研究者与算法工程师尤其适合需要真实道路场景数据来训练和验证语义分割模型的中高级开发者。数据集包含500余张已标注图像覆盖不同照明环境并预先划分为训练集与验证集可直接用于车道线检测与分割任务的模型训练与效果评估。压缩包共1482个文件以888个png图像、298个txt标注文件和296个yaml配置文件为主png提供原始道路画面txt与yaml分别承载标注信息与数据配置整体约155.86MB目录结构清晰便于按需检索。目前已有302人学习下载可作为智慧物流场景下定位与路径规划研究的实用数据基础帮助读者省去自行采集与标注的成本快速搭建实验流程并对比不同分割算法的表现。1. 智慧物流车道线分割数据集500 张图背后的路径规划刚需做智慧物流落地的朋友大概率遇到过这个场景AGV 或无人配送车在园区里跑GPS 飘了、激光雷达被货架遮挡最后能兜底的往往就是视觉车道线。我最近拆了一份专门面向这个场景的车道线分割数据集500 多张标注好的图像覆盖不同照明环境已经切好训练集和验证集。它解决的不是通用自动驾驶那种高速公路场景而是物流园区、仓库月台、厂区道路这类低速、窄道、光照复杂的工况。适合谁做 AGV 视觉导航的、搞路径规划需要车道先验的、以及想拿车道线分割练手语义分割模型的人。说白了这是一份能直接喂给分割网络、省掉自己标数据痛苦的落地素材。2. 车道线分割任务拆解从像素级标注到路径可行驶区域2.1 为什么物流场景的车道线分割和公开道路不一样公开道路数据集比如 BDD100K、SemanticKITTI它们的车道线标注往往服务于高速或城市主干道车道宽、曲率小、标线规范。但物流园区完全是另一回事地面可能是水泥、环氧地坪甚至临时划线车道线经常被托盘、叉车、行人遮挡照明从正午强光到仓库内弱光甚至频闪。这份数据集把“不同照明环境”作为采集重点说明作者清楚物流场景的痛点不在车道线本身多复杂而在光照鲁棒性。如果你直接拿公开道路数据训模型往园区搬大概率翻车——模型学到的是标准白线特征遇到反光地坪或阴影就废了。2.2 分割标签的常见格式与这份数据的对应关系车道线分割本质是二分类语义分割像素属于车道线或背景。常见标签格式有三种PNG 掩码0/1 或 0/255、COCO JSON 多边形、以及 LaneNet 那种实例语义双输出。这份数据集正文只给了 img.png 的占位描述没有明确标签格式但按 500 张规模、训练/验证已划分的惯例最常见做法是每张原图对应一张同名 PNG 掩码。我一般会先跑一段脚本确认标签像素分布避免拿到手发现是灰度图却当二值图用。import cv2 import numpy as np import os # 检查标签掩码的像素值分布确认是二值还是多类 label_dir dataset/val/labels for fname in os.listdir(label_dir)[:5]: mask cv2.imread(os.path.join(label_dir, fname), cv2.IMREAD_GRAYSCALE) unique, counts np.unique(mask, return_countsTrue) print(fname, dict(zip(unique, counts)))这段代码的逻辑是用灰度模式读取掩码统计唯一像素值。如果输出只有 0 和 1说明是二值掩码训练时可以直接用 BCEWithLogitsLoss如果出现 0、1、2 甚至 255就要确认是否有忽略区域或多类标注。参数上IMREAD_GRAYSCALE保证不会因为三通道读取导致值偏移。这一步花两分钟能省掉后面训练时 loss 不下降的玄学排查。2.3 训练集与验证集的划分逻辑500 多张图按常见 8:2 或 7:3 切分验证集大概 100 到 150 张。这里有个坑如果划分时没有按光照条件分层采样验证集可能全是强光或全是弱光导致验证指标虚高或虚低。我拿到这类数据集的第一件事是看验证集里不同光照的分布如果偏得厉害会自己重新分层切一次。具体做法是按图像平均亮度分桶再从每桶里按比例抽验证集。import os import cv2 import numpy as np from sklearn.model_selection import train_test_split img_dir dataset/images files [f for f in os.listdir(img_dir) if f.endswith(.png)] brightness [] for f in files: img cv2.imread(os.path.join(img_dir, f), cv2.IMREAD_GRAYSCALE) brightness.append(img.mean()) # 按亮度分 5 桶每桶内按 8:2 切分 buckets np.digitize(brightness, np.percentile(brightness, [20, 40, 60, 80])) train_idx, val_idx [], [] for b in np.unique(buckets): idx np.where(buckets b)[0] tr, va train_test_split(idx, test_size0.2, random_state42) train_idx.extend(tr) val_idx.extend(va) print(ftrain: {len(train_idx)}, val: {len(val_idx)})逻辑说明np.digitize按亮度百分位把图像分成 5 档然后在每档内部做 8:2 切分保证验证集覆盖各种光照。random_state42固定随机种子方便复现。如果你的数据集已经切好且分布均匀这步可以跳过但如果验证指标波动大建议重切。3. 用 U-Net 跑通第一版分割输入尺寸、损失函数与训练参数3.1 模型选型为什么 U-Net 仍是车道线分割的稳妥起点车道线分割在物流场景下属于小目标、细长结构分割DeepLabV3 的空洞卷积对大目标友好但对细线容易断SegFormer 等 Transformer 类模型需要更多数据。U-Net 的跳跃连接能把浅层边缘特征传到解码器对车道线这种细结构更稳。500 张图不算多从 ResNet34 或 MobileNetV2 预训练编码器起步比从头训 ViT 靠谱。我一般用segmentation_models_pytorch库一行代码换编码器省得自己搭。3.2 数据增强针对光照变化的几个必做项这份数据集的核心变量是照明所以增强策略要围绕光照做而不是随便翻转。必做项随机亮度对比度调整BrightnessContrast、随机伽马校正RandomGamma、以及 HSV 空间的色调饱和度微调。翻转和旋转可以用但要注意车道线在图像中通常有方向性垂直翻转可能产生不合理的车道结构建议只做水平翻转和小角度旋转。import albumentations as A from albumentations.pytorch import ToTensorV2 train_transform A.Compose([ A.RandomBrightnessContrast(brightness_limit0.3, contrast_limit0.3, p0.7), A.RandomGamma(gamma_limit(70, 130), p0.5), A.HueSaturationValue(hue_shift_limit10, sat_shift_limit20, val_shift_limit20, p0.5), A.HorizontalFlip(p0.5), A.Rotate(limit10, p0.5), A.Resize(512, 512), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ])参数说明brightness_limit0.3表示亮度随机缩放 ±30%覆盖从暗到亮gamma_limit(70,130)模拟不同曝光曲线Resize(512,512)是 U-Net 常用输入显存不够可降到 256。Normalize用 ImageNet 均值方差因为编码器是预训练的。注意验证集只做 Resize 和 Normalize不做随机增强。3.3 损失函数与评估指标Dice 和 IoU 怎么选车道线像素占比通常不到 5%属于极端类别不平衡。纯 BCE 会让模型倾向预测全背景Dice Loss 或 Focal Loss 更合适。我一般用 Dice BCE 组合Dice 管重叠区域BCE 管像素级分类。评估指标看 IoU 和 Dice但要注意车道线细IoU 对断裂敏感可以额外看连通域数量判断是否断线。import torch import torch.nn as nn class DiceBCELoss(nn.Module): def __init__(self, weight0.5): super().__init__() self.weight weight self.bce nn.BCEWithLogitsLoss() def forward(self, pred, target): bce_loss self.bce(pred, target) pred_sigmoid torch.sigmoid(pred) intersection (pred_sigmoid * target).sum() dice_loss 1 - (2 * intersection 1e-6) / (pred_sigmoid.sum() target.sum() 1e-6) return self.weight * bce_loss (1 - self.weight) * dice_loss逻辑BCEWithLogitsLoss内部做 sigmoid数值稳定Dice 部分用 sigmoid 后的概率算重叠。1e-6防止除零。weight0.5是经验值如果验证集 IoU 低但 loss 降可以调高 Dice 权重到 0.7。3.4 训练参数配置与显存不够时的降级方案输入 512×512、batch size 8、AdamW lr1e-4、余弦退火、30 个 epoch这是 8GB 显存能跑的配置。如果只有 6GB把 batch 降到 4用梯度累积模拟 batch 8。编码器选 MobileNetV2 比 ResNet34 省显存但 IoU 可能低 2 到 3 个点。训练时每 5 个 epoch 存一次权重验证 IoU 连续 3 次不升就早停。from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR model smp.Unet(encoder_nameresnet34, encoder_weightsimagenet, in_channels3, classes1) optimizer AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max30, eta_min1e-6)encoder_weightsimagenet加载预训练权重500 张图必须用预训练从头训基本没戏。classes1是二分类输出。weight_decay1e-4防过拟合。4. 避坑与排查标注噪声、光照过曝与验证集泄漏4.1 现象训练 loss 正常下降但验证 IoU 始终低于 0.3原因最常见是标签掩码和原图没对齐或者掩码像素值不是 0/1 而是 0/255导致 BCE 把 255 当正类但 Dice 计算时数值爆炸。解决用 2.2 的脚本检查像素值如果是 0/255训练前除以 255。4.2 现象模型在强光图像上完全预测不出车道线原因训练集里强光样本太少或者增强时亮度调整范围不够。解决统计训练集亮度分布对过曝图像单独过采样或者把brightness_limit提高到 0.4。另外检查原图是否本身已经过曝到车道线消失这种图建议剔除。4.3 现象验证集 IoU 很高但实际推理时车道线断裂原因验证集和训练集来自同一段视频的相邻帧存在泄漏。相邻帧差异极小模型相当于背答案。解决按视频段或采集批次划分训练验证而不是随机按帧划分。如果数据集没给采集批次信息用图像感知哈希去重把相似度高的图分到同一侧。4.4 现象推理时输入尺寸和训练不一致导致输出错位原因训练用 512×512推理时直接喂原图 1920×1080U-Net 的下采样倍数导致输出尺寸不匹配。解决推理时先 Resize 到 512×512预测后再上采样回原图尺寸。上采样用最近邻别用双线性否则车道线边缘会糊。import torch.nn.functional as F def predict(model, img_tensor, orig_size): model.eval() with torch.no_grad(): pred model(img_tensor.unsqueeze(0)) pred torch.sigmoid(pred) pred F.interpolate(pred, sizeorig_size, modenearest) return (pred 0.5).squeeze().cpu().numpy()modenearest保持二值边缘锐利0.5是阈值可根据验证集 PR 曲线调。4.5 现象Dice Loss 训练初期震荡剧烈原因Dice 对空掩码或极小目标敏感如果某张图没有车道线Dice 分母接近零。解决确认数据集中是否有无车道线的负样本如果有训练时跳过 Dice 计算或给 Dice 加平滑项。另外 batch size 太小也会震荡梯度累积能缓解。5. 从分割掩码到路径规划骨架提取与可行驶区域生成拿到分割掩码只是第一步路径规划需要的是车道线方程或可行驶区域多边形。我一般用骨架化加多项式拟合把二值掩码变成左右车道线曲线再算中间区域。这里有个技巧物流园区车道线经常只有一侧清晰另一侧被遮挡所以不要强求左右成对单侧线加固定宽度也能生成可行驶区域。import cv2 import numpy as np from skimage.morphology import skeletonize def mask_to_path(mask): # mask: 二值掩码1 为车道线 skeleton skeletonize(mask.astype(bool)) ys, xs np.where(skeleton) if len(xs) 10: return None # 按 y 坐标拟合 x f(y)适合纵向车道线 coeffs np.polyfit(ys, xs, 2) y_range np.linspace(ys.min(), ys.max(), 50) x_fit np.polyval(coeffs, y_range) return list(zip(x_fit, y_range))逻辑skeletonize把粗线变成单像素骨架减少拟合噪声。polyfit二次拟合因为车道线在透视变换后通常是抛物线。如果车道线接近直线一次拟合就够。返回的(x, y)点列可以直接给规划模块做参考线。参数上len(xs) 10是保护避免噪声骨架导致拟合出离谱曲线。验证方法把拟合曲线画回原图肉眼看是否贴合。我习惯每换一个数据集就抽 20 张画一遍比看指标直观。另外可以算拟合残差残差大于 5 像素的帧标记出来人工检查。进阶用法如果要做时序跟踪把相邻帧的拟合系数做卡尔曼滤波系数变化平滑后路径抖动会明显减少。这个技巧在园区低速场景特别管用因为单帧分割偶尔会断但时序滤波能补回来。从那以后我每次拿到新的分割数据集都强制走一遍“像素值检查→亮度分层→骨架拟合可视化”这三步再开始训模型。希望帮到你。本文还有配套的精品资源点击获取