道路质量评估报告 道路质量评定表

本文介绍利用PaddleClas道路穿越知识（RTK）数据集训练道路类型和质量分类模型的过程。先解压含8类道路质量标注的数据集，生成数据列表，再用Road.yaml配置训练模型，之后进行预测把结果绘制到图上，最后拼接图片成视频展示效果。

引入路面类型和道路质量是有关人或自动驾驶车辆应如何驾驶的重要信息，除了上升舒适度和车辆维护以外，还涉及每个人的安全本次就使用PaddleClas结合道路穿越知识（RTK）数据集训练一个简易的道路类型和质量分类的模型效果展示

通过一段视频先看一下分类32-2/               数据集介绍本次使用的数据集为道路穿越知识（RTK）数据集数据集特点：该数据集提供了由其他相机（HP网络摄像头HD-4110）拍摄的图像包含不同的路面类型的道路：沥青变化、其他路面类型，甚至非路面其中还包含一个包含道路质量标签的小数据集道路质量标签如下8个等级：沥青（良好）沥青（常规）沥青（差）铺装（良好）铺装（常规）铺装（差）未铺装（常规）未铺装（差）解压数据集In [ ]!unzip -q data/data72034/01_asphaltGood.zip -d dataset!unzip -q data/data72034/02_asphaltRegular.zip -d dataset!unzip -q data/data72034/03_asphaltBad.zip -d dataset!unzip -q data/data72034/04_pavedGood.zip -d dataset!unzip -q data/data72034/05_pavedRegular.zip -d dataset!unzip -q data/data72034/06_pavedBad.zip -d dataset!unzip -q data/data72034/07_unpavedRegular.zip -d dataset!unzip -q data/data72034/08_unpavedBad.zip -d dataset登录后复制    生成数据列表在 [ ]import osdirs = os.listdir('dataset')dirs.sort()labels = [_.split('_')[1] for _ in dirs]datas = []for index， path in enumerate(dirs)： imgs = os.listdir(os.path.join('dataset'， path)) imgs.sort() for img in imgs： datas.append('s d\n' (os.path.join(path， img)， index))import randomrandom.shuffle(datas)with open('dataset/train.txt'， 'w'， encoding='UTF-8') as f： for line in datas[：-200]： f.write(line)with open('dataset/val.txt'， 'w'， encodin

g='UTF-8') as f： for line in datas[-200：]： f.write(line)登录后复制    模型训练使用到的配置文件为 Road.yamlIn [ ]cd ~/PaddleClas!python tools/train.py \ -c ../Road.yaml登录后复制    模型预测使用模型进行预测所得结果相似到源图片上In [1]cd ~/PaddleClas!python tools/infer/infer.py \ -i ../dataset/tests \ --model RepVGG_A0 \ --pretrained_model ../output/RepVGG_A0/best_model/ppcls \ --use_gpu True \ --load_static_weights False \ --top_k -1 \ --class_num 8 \ --save_dir ../predict登录后复制视频拼接将预测完成的结果图片拼接为视频[51]cd ~import cv2import osfps = 30size = (352， 288)videowriter = cv2.VideoWriter(quot；test.mp4quot；， cv2.VideoWriter_fourcc(*'mp4v')， fps， size)path = 'predict'imgs = os.listdir(path)imgs.sort()for i in imgs： img = cv2.imread(os.path.join(path， i)) videowriter.write(img)videowriter.release()登录后复制        /home/aistudio登录后复制        

以上就是PaddleClas：训练一个简易的道路质量分类模型的详细，内容更多请关注乐哥常识网其他相关文章！