简介本资源为面向自动驾驶视觉感知方向的图像分割数据集聚焦车道线虚线、实线语义分割任务适合从事自动驾驶、道路场景理解及图像分割算法学习与实验的开发者与研究者使用。数据集已完成训练集与验证集划分训练集约1200张图片及对应mask验证集约120张共约1300张样本涵盖背景、虚线、实线3类分割标签类别定义可参考classes文件。压缩包共2000个文件以png与jpg图像为主另含1个txt说明与1个py脚本整体约146.87MB。资源附带图像分割可视化脚本可随机抽取一张图片展示原始图像、GT图像及GT在原图上的蒙板效果并保存至当前目录便于快速核验标注质量与数据分布。目前已有303人学习下载适合作为车道线分割模型训练、验证与可视化分析的实践素材。1. 车道线语义分割数据集1300 张 3 类标注到底能训出什么高速上压线被拍、匝道口错过实线变道、夜间虚线看不清直接骑线——这些场景背后其实是同一个技术问题车端要实时知道「哪条线是实线、哪条是虚线、哪里根本没线」。图像分割数据集里专门针对车道线的语义分割数据一直是稀缺品通用自动驾驶数据集比如常被提到的 bdd100k虽然大但车道线像素级标注往往只有几类粗标虚线和实线经常被合并成一类训出来的模型分不清能不能变道。这个标题指向的就是一个更聚焦的资产约 1300 张图像3 类语义分割标签类别通常落在「实线 / 虚线 / 背景」这个划分上。它解决的不是「检测车道线在哪」而是「逐像素判断这条线属于哪一类」。适合谁做 ADAS 前视感知的算法工程师、想用 yolov8-seg 或 FCN 系语义分割模型跑通车道线任务的开发者、以及需要一个小规模干净数据集做算法验证和课程设计的人。1300 张不算多但车道线场景本身纹理单一、结构重复只要标注质量过关这个量级足够把一条 baseline 跑通并看到类别区分效果。下面从数据本身讲到训练、评估和踩坑全部按可复现的路子来。2. 拆开这 1300 张3 类标签的像素分布与目录组织拿到一个语义分割数据集第一件事不是急着喂模型而是先搞清楚它的标签长什么样、类别是否平衡、掩码用什么格式存。车道线数据集有个典型特征背景像素占比极高实线和虚线加起来可能不到全图的 5%。这个先验直接决定了后面损失函数怎么选、评估指标怎么看。2.1 三类标签的定义与掩码编码方式常见的 3 类划分是类别 ID名称含义典型像素占比0background路面、天空、车辆等非车道线区域90% 以上1solid_line实线禁止变道2%~5%2dashed_line虚线允许变道1%~3%掩码一般有两种存法一种是单通道 PNG像素值直接是 0/1/2另一种是灰度图映射到 0/128/255。这两种在读取时处理方式不同读错了会导致类别全乱。我一般先写个脚本统计每张图的唯一像素值确认编码方式再往下走。import numpy as np from PIL import Image import os mask_dir dataset/masks for name in os.listdir(mask_dir)[:5]: m np.array(Image.open(os.path.join(mask_dir, name))) uniq np.unique(m) print(name, m.shape, uniq)这段代码的作用是抽样打印掩码的形状和所有出现过的像素值。如果输出是[0 1 2]说明是直接类别编码如果是[0 128 255]就需要在 Dataset 里做一次映射。参数上注意m.shape如果是(H, W, 3)说明存成了 RGB得先转单通道否则np.unique会给出三个通道混在一起的结果看着像有几百个类别其实是假象。2.2 目录结构与训练/验证划分一个能直接跑的结构通常长这样dataset/ ├── images/ │ ├── train/ │ └── val/ ├── masks/ │ ├── train/ │ └── val/ └── classes.txtclasses.txt里按行写background、solid_line、dashed_line行号即类别 ID。划分比例上1300 张我一般按 8:2 切训练 1040 张、验证 260 张。车道线场景连续帧之间高度相似如果按随机切分相邻帧可能一张在训练集一张在验证集导致验证指标虚高。更稳的做法是按采集片段切分同一段路的图整段进训练或整段进验证。这一点在只有 1300 张时尤其关键否则你会看到一个漂亮但没意义的 mIoU。import os, random, shutil random.seed(42) imgs sorted(os.listdir(dataset/images/all)) random.shuffle(imgs) split int(len(imgs) * 0.8) for i, name in enumerate(imgs): phase train if i split else val shutil.copy(fdataset/images/all/{name}, fdataset/images/{phase}/{name}) shutil.copy(fdataset/masks/all/{name}, fdataset/masks/{phase}/{name})逻辑说明固定随机种子保证可复现图像和掩码同名同步搬运。参数0.8是训练占比样本量小的时候可以调到 0.85 多留点训练数据但验证集别低于 200 张否则指标抖动大。搬完后务必抽查几张确认图和掩码一一对应我见过因为文件名后缀不一致.jpg对.png导致掩码全读成空的翻车案例。3. 用 yolov8-seg 跑通车道线分割的最小闭环车道线语义分割可以走两条路一条是纯语义分割模型FCN、U-Net、DeepLab 系输出每像素类别另一条是用实例分割框架yolov8-seg把每条线当实例再按类别归并。前者更贴合「语义分割」的定义后者工程上更省事、部署链路成熟。这里给一条能快速看到效果的 yolov8-seg 路线同时说明它和纯语义分割的差别。3.1 把语义掩码转成 yolov8-seg 需要的多边形标注yolov8-seg 不吃单通道掩码它要的是每张图对应的 txt每行是class x1 y1 x2 y2 ...归一化多边形。所以第一步是把语义掩码转多边形。用 OpenCV 找轮廓即可。import cv2 import numpy as np import os def mask_to_polygons(mask_path, out_txt, img_w, img_h): m cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE) lines [] for cls_id in [1, 2]: # 0 是背景不输出 binary (m cls_id).astype(np.uint8) * 255 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in contours: if cv2.contourArea(c) 30: # 过滤噪点 continue c c.reshape(-1, 2).astype(float) c[:, 0] / img_w c[:, 1] / img_h coords .join(f{x:.6f} {y:.6f} for x, y in c) lines.append(f{cls_id - 1} {coords}) # yolov8 类别从 0 开始 with open(out_txt, w) as f: f.write(\n.join(lines))逻辑说明对每个前景类别单独二值化再找外轮廓RETR_EXTERNAL只取最外层避免车道线内部空洞产生多余多边形。参数cv2.contourArea(c) 30是面积阈值车道线细长太小会把断裂的碎点也当目标太大又会漏掉远处细线30 像素是个经验起点按分辨率调整。归一化用图像真实宽高别用掩码尺寸两者不一致时坐标会整体偏移。类别映射cls_id - 1是因为 yolov8 的类别索引从 0 开始而掩码里 0 是背景容易在这里错位。3.2 训练配置与关键超参生成data.yamlpath: ./dataset train: images/train val: images/val names: 0: solid_line 1: dashed_line启动训练yolo segment train datadata.yaml modelyolov8n-seg.pt epochs100 imgsz640 batch8参数说明yolov8n-seg.pt是最小的分割预训练权重1300 张数据量下从它微调比从零训稳得多。imgsz640是输入尺寸车道线细分辨率太低虚线会糊成一片如果显存够可以上 960。batch8是保守值显存 8G 以内基本能跑。epochs100配合早停实际往往 60~80 轮就收敛。训练时重点看mask mAP50而不是box mAP50车道线任务里框的指标意义不大。3.3 语义分割路线U-Net 的最小实现差异如果你要的是严格逐像素语义分割U-Net 更直接。核心差别在损失函数车道线前景极少交叉熵会被背景淹没必须用带权重的损失或 Dice。import torch import torch.nn as nn class WeightedCE(nn.Module): def __init__(self, weights): super().__init__() self.weights torch.tensor(weights, dtypetorch.float32) def forward(self, logits, target): return nn.functional.cross_entropy(logits, target, weightself.weights.to(logits.device))逻辑说明weights按类别像素占比的倒数来设比如[0.1, 1.0, 1.5]给背景低权重、给虚线高权重。参数不是拍脑袋先统计训练集三类像素总数再取反比归一化。用这个损失后模型才不会偷懒把所有像素判成背景还拿到 95% 准确率。评估时也别只看 accuracy要看每类的 IoU尤其是虚线那一类。4. 车道线分割的避坑与排查5 个真实翻车点这个任务看着简单实际坑集中在数据编码、类别不平衡和评估口径上。下面 5 条都是我在类似数据集上踩过的。现象一训练 loss 正常下降但预测图全黑。原因掩码读取时没做类别映射模型学到的是 0/128/255 三个值而你的损失函数按 0/1/2 算标签和预测对不上。解决在 Dataset 的__getitem__里统一做mask[mask 128] 1; mask[mask 255] 2并在训练前打印一个 batch 的标签唯一值确认。现象二验证 mIoU 很高实车测试虚线全丢。原因验证集和训练集来自同一段路光照、路面材质高度相似模型过拟合到场景而非车道线本身。解决按采集片段切分或者刻意把不同天气、不同路段的图放进验证集宁可验证指标难看也要真实。现象三虚线被预测成实线反之亦然。原因两类形态接近1300 张里虚线样本又少模型区分不开。解决提高虚线类损失权重同时做针对性增强——对虚线图做随机遮挡模拟虚线被磨损、被前车挡住的情况逼模型学虚线本身的断续特征而不是长度。现象四远处车道线断裂、不连续。原因输入分辨率不够远处一条虚线在 640 尺寸下只剩几个像素。解决提高imgsz或者用滑窗/多尺度推理。代价是推理变慢要权衡。现象五多边形标注转换后目标数量暴涨。原因掩码里有细小噪点或车道线断裂findContours把每个碎片都当独立目标。解决加面积过滤或者先对掩码做形态学闭运算把断线连起来再找轮廓。闭运算核大小按线宽设一般 3×3 或 5×5。提示每次改完数据编码或划分方式先跑 5 个 epoch 看 loss 和预测可视化别等 100 轮跑完才发现标签是错的那才是真的后悔药没处买。5. 把 3 类分割用起来从指标验证到类别合并的进阶技巧训完模型只是开始真正决定这个数据集值不值得投入的是你能不能把它的输出接到实际判断上。车道线分割的下游通常是「可行驶区域」和「变道可行性」判断这里有两个我常用的技巧。第一个是按类别做后处理连通性检查。语义分割输出的是像素类别但车道线在物理上应该是连续的。可以对虚线类别的预测做一次纵向连通域分析如果一条虚线在近处连续、远处断开大概率是分辨率问题而非真实断线可以用形态学膨胀补上如果实线出现断裂那更可能是遮挡不该强行补。这个区分直接决定后处理策略。import cv2 import numpy as np def check_continuity(pred_mask, cls_id2): binary (pred_mask cls_id).astype(np.uint8) num, labels cv2.connectedComponents(binary) sizes [np.sum(labels i) for i in range(1, num)] return num - 1, sorted(sizes, reverseTrue)[:5]逻辑说明connectedComponents统计每类前景的连通块数量和大小分布。虚线正常应该有多个中等大小的块如果出现一个巨大块加一堆碎点说明模型把实线误判成虚线了。参数cls_id切换类别分别对实线和虚线跑一遍对比块数量是否符合预期。第二个技巧是类别合并的降级策略。如果实测发现虚线和实线实在分不开别硬扛先把 3 类合并成「车道线 / 背景」2 类保证线在哪是对的再单独训一个二分类器判断虚实。这种分阶段方案在数据量不足时比强行 3 类更靠谱。1300 张做 3 类分割是够的但前提是标注质量过关如果标注本身虚实边界就模糊合并反而是止损。方案类别数适用场景风险直接 3 类分割3标注清晰、虚实分明虚线样本少易混淆先分割再分类21数据量小、虚实难分链路长、误差累积合并为 2 类2只关心线位置丢失变道语义验证方法上除了 mIoU我习惯再算一个「按线的 IoU」把预测和真值都做连通域匹配最近的线对算匹配线上的重叠率。这个指标比像素 mIoU 更贴近「这条线有没有被正确识别」的工程感受。做法不复杂但能暴露像素指标掩盖的问题比如一条线整体偏移几个像素像素 IoU 还行但按线看就错位了。最后说个习惯每次拿到新的车道线数据集我都会先花半小时把掩码可视化叠到原图上肉眼过 20 张。这一步能提前发现 80% 的编码和标注问题比任何自动化检查都直接。1300 张的规模人工抽检完全可行别省这个时间。希望帮到你。本文还有配套的精品资源点击获取
简介本资源为面向自动驾驶视觉感知方向的图像分割数据集聚焦车道线虚线、实线语义分割任务适合从事自动驾驶、道路场景理解及图像分割算法学习与实验的开发者与研究者使用。数据集已完成训练集与验证集划分训练集约1200张图片及对应mask验证集约120张共约1300张样本涵盖背景、虚线、实线3类分割标签类别定义可参考classes文件。压缩包共2000个文件以png与jpg图像为主另含1个txt说明与1个py脚本整体约146.87MB。资源附带图像分割可视化脚本可随机抽取一张图片展示原始图像、GT图像及GT在原图上的蒙板效果并保存至当前目录便于快速核验标注质量与数据分布。目前已有303人学习下载适合作为车道线分割模型训练、验证与可视化分析的实践素材。1. 车道线语义分割数据集1300 张 3 类标注到底能训出什么高速上压线被拍、匝道口错过实线变道、夜间虚线看不清直接骑线——这些场景背后其实是同一个技术问题车端要实时知道「哪条线是实线、哪条是虚线、哪里根本没线」。图像分割数据集里专门针对车道线的语义分割数据一直是稀缺品通用自动驾驶数据集比如常被提到的 bdd100k虽然大但车道线像素级标注往往只有几类粗标虚线和实线经常被合并成一类训出来的模型分不清能不能变道。这个标题指向的就是一个更聚焦的资产约 1300 张图像3 类语义分割标签类别通常落在「实线 / 虚线 / 背景」这个划分上。它解决的不是「检测车道线在哪」而是「逐像素判断这条线属于哪一类」。适合谁做 ADAS 前视感知的算法工程师、想用 yolov8-seg 或 FCN 系语义分割模型跑通车道线任务的开发者、以及需要一个小规模干净数据集做算法验证和课程设计的人。1300 张不算多但车道线场景本身纹理单一、结构重复只要标注质量过关这个量级足够把一条 baseline 跑通并看到类别区分效果。下面从数据本身讲到训练、评估和踩坑全部按可复现的路子来。2. 拆开这 1300 张3 类标签的像素分布与目录组织拿到一个语义分割数据集第一件事不是急着喂模型而是先搞清楚它的标签长什么样、类别是否平衡、掩码用什么格式存。车道线数据集有个典型特征背景像素占比极高实线和虚线加起来可能不到全图的 5%。这个先验直接决定了后面损失函数怎么选、评估指标怎么看。2.1 三类标签的定义与掩码编码方式常见的 3 类划分是类别 ID名称含义典型像素占比0background路面、天空、车辆等非车道线区域90% 以上1solid_line实线禁止变道2%~5%2dashed_line虚线允许变道1%~3%掩码一般有两种存法一种是单通道 PNG像素值直接是 0/1/2另一种是灰度图映射到 0/128/255。这两种在读取时处理方式不同读错了会导致类别全乱。我一般先写个脚本统计每张图的唯一像素值确认编码方式再往下走。import numpy as np from PIL import Image import os mask_dir dataset/masks for name in os.listdir(mask_dir)[:5]: m np.array(Image.open(os.path.join(mask_dir, name))) uniq np.unique(m) print(name, m.shape, uniq)这段代码的作用是抽样打印掩码的形状和所有出现过的像素值。如果输出是[0 1 2]说明是直接类别编码如果是[0 128 255]就需要在 Dataset 里做一次映射。参数上注意m.shape如果是(H, W, 3)说明存成了 RGB得先转单通道否则np.unique会给出三个通道混在一起的结果看着像有几百个类别其实是假象。2.2 目录结构与训练/验证划分一个能直接跑的结构通常长这样dataset/ ├── images/ │ ├── train/ │ └── val/ ├── masks/ │ ├── train/ │ └── val/ └── classes.txtclasses.txt里按行写background、solid_line、dashed_line行号即类别 ID。划分比例上1300 张我一般按 8:2 切训练 1040 张、验证 260 张。车道线场景连续帧之间高度相似如果按随机切分相邻帧可能一张在训练集一张在验证集导致验证指标虚高。更稳的做法是按采集片段切分同一段路的图整段进训练或整段进验证。这一点在只有 1300 张时尤其关键否则你会看到一个漂亮但没意义的 mIoU。import os, random, shutil random.seed(42) imgs sorted(os.listdir(dataset/images/all)) random.shuffle(imgs) split int(len(imgs) * 0.8) for i, name in enumerate(imgs): phase train if i split else val shutil.copy(fdataset/images/all/{name}, fdataset/images/{phase}/{name}) shutil.copy(fdataset/masks/all/{name}, fdataset/masks/{phase}/{name})逻辑说明固定随机种子保证可复现图像和掩码同名同步搬运。参数0.8是训练占比样本量小的时候可以调到 0.85 多留点训练数据但验证集别低于 200 张否则指标抖动大。搬完后务必抽查几张确认图和掩码一一对应我见过因为文件名后缀不一致.jpg对.png导致掩码全读成空的翻车案例。3. 用 yolov8-seg 跑通车道线分割的最小闭环车道线语义分割可以走两条路一条是纯语义分割模型FCN、U-Net、DeepLab 系输出每像素类别另一条是用实例分割框架yolov8-seg把每条线当实例再按类别归并。前者更贴合「语义分割」的定义后者工程上更省事、部署链路成熟。这里给一条能快速看到效果的 yolov8-seg 路线同时说明它和纯语义分割的差别。3.1 把语义掩码转成 yolov8-seg 需要的多边形标注yolov8-seg 不吃单通道掩码它要的是每张图对应的 txt每行是class x1 y1 x2 y2 ...归一化多边形。所以第一步是把语义掩码转多边形。用 OpenCV 找轮廓即可。import cv2 import numpy as np import os def mask_to_polygons(mask_path, out_txt, img_w, img_h): m cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE) lines [] for cls_id in [1, 2]: # 0 是背景不输出 binary (m cls_id).astype(np.uint8) * 255 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in contours: if cv2.contourArea(c) 30: # 过滤噪点 continue c c.reshape(-1, 2).astype(float) c[:, 0] / img_w c[:, 1] / img_h coords .join(f{x:.6f} {y:.6f} for x, y in c) lines.append(f{cls_id - 1} {coords}) # yolov8 类别从 0 开始 with open(out_txt, w) as f: f.write(\n.join(lines))逻辑说明对每个前景类别单独二值化再找外轮廓RETR_EXTERNAL只取最外层避免车道线内部空洞产生多余多边形。参数cv2.contourArea(c) 30是面积阈值车道线细长太小会把断裂的碎点也当目标太大又会漏掉远处细线30 像素是个经验起点按分辨率调整。归一化用图像真实宽高别用掩码尺寸两者不一致时坐标会整体偏移。类别映射cls_id - 1是因为 yolov8 的类别索引从 0 开始而掩码里 0 是背景容易在这里错位。3.2 训练配置与关键超参生成data.yamlpath: ./dataset train: images/train val: images/val names: 0: solid_line 1: dashed_line启动训练yolo segment train datadata.yaml modelyolov8n-seg.pt epochs100 imgsz640 batch8参数说明yolov8n-seg.pt是最小的分割预训练权重1300 张数据量下从它微调比从零训稳得多。imgsz640是输入尺寸车道线细分辨率太低虚线会糊成一片如果显存够可以上 960。batch8是保守值显存 8G 以内基本能跑。epochs100配合早停实际往往 60~80 轮就收敛。训练时重点看mask mAP50而不是box mAP50车道线任务里框的指标意义不大。3.3 语义分割路线U-Net 的最小实现差异如果你要的是严格逐像素语义分割U-Net 更直接。核心差别在损失函数车道线前景极少交叉熵会被背景淹没必须用带权重的损失或 Dice。import torch import torch.nn as nn class WeightedCE(nn.Module): def __init__(self, weights): super().__init__() self.weights torch.tensor(weights, dtypetorch.float32) def forward(self, logits, target): return nn.functional.cross_entropy(logits, target, weightself.weights.to(logits.device))逻辑说明weights按类别像素占比的倒数来设比如[0.1, 1.0, 1.5]给背景低权重、给虚线高权重。参数不是拍脑袋先统计训练集三类像素总数再取反比归一化。用这个损失后模型才不会偷懒把所有像素判成背景还拿到 95% 准确率。评估时也别只看 accuracy要看每类的 IoU尤其是虚线那一类。4. 车道线分割的避坑与排查5 个真实翻车点这个任务看着简单实际坑集中在数据编码、类别不平衡和评估口径上。下面 5 条都是我在类似数据集上踩过的。现象一训练 loss 正常下降但预测图全黑。原因掩码读取时没做类别映射模型学到的是 0/128/255 三个值而你的损失函数按 0/1/2 算标签和预测对不上。解决在 Dataset 的__getitem__里统一做mask[mask 128] 1; mask[mask 255] 2并在训练前打印一个 batch 的标签唯一值确认。现象二验证 mIoU 很高实车测试虚线全丢。原因验证集和训练集来自同一段路光照、路面材质高度相似模型过拟合到场景而非车道线本身。解决按采集片段切分或者刻意把不同天气、不同路段的图放进验证集宁可验证指标难看也要真实。现象三虚线被预测成实线反之亦然。原因两类形态接近1300 张里虚线样本又少模型区分不开。解决提高虚线类损失权重同时做针对性增强——对虚线图做随机遮挡模拟虚线被磨损、被前车挡住的情况逼模型学虚线本身的断续特征而不是长度。现象四远处车道线断裂、不连续。原因输入分辨率不够远处一条虚线在 640 尺寸下只剩几个像素。解决提高imgsz或者用滑窗/多尺度推理。代价是推理变慢要权衡。现象五多边形标注转换后目标数量暴涨。原因掩码里有细小噪点或车道线断裂findContours把每个碎片都当独立目标。解决加面积过滤或者先对掩码做形态学闭运算把断线连起来再找轮廓。闭运算核大小按线宽设一般 3×3 或 5×5。提示每次改完数据编码或划分方式先跑 5 个 epoch 看 loss 和预测可视化别等 100 轮跑完才发现标签是错的那才是真的后悔药没处买。5. 把 3 类分割用起来从指标验证到类别合并的进阶技巧训完模型只是开始真正决定这个数据集值不值得投入的是你能不能把它的输出接到实际判断上。车道线分割的下游通常是「可行驶区域」和「变道可行性」判断这里有两个我常用的技巧。第一个是按类别做后处理连通性检查。语义分割输出的是像素类别但车道线在物理上应该是连续的。可以对虚线类别的预测做一次纵向连通域分析如果一条虚线在近处连续、远处断开大概率是分辨率问题而非真实断线可以用形态学膨胀补上如果实线出现断裂那更可能是遮挡不该强行补。这个区分直接决定后处理策略。import cv2 import numpy as np def check_continuity(pred_mask, cls_id2): binary (pred_mask cls_id).astype(np.uint8) num, labels cv2.connectedComponents(binary) sizes [np.sum(labels i) for i in range(1, num)] return num - 1, sorted(sizes, reverseTrue)[:5]逻辑说明connectedComponents统计每类前景的连通块数量和大小分布。虚线正常应该有多个中等大小的块如果出现一个巨大块加一堆碎点说明模型把实线误判成虚线了。参数cls_id切换类别分别对实线和虚线跑一遍对比块数量是否符合预期。第二个技巧是类别合并的降级策略。如果实测发现虚线和实线实在分不开别硬扛先把 3 类合并成「车道线 / 背景」2 类保证线在哪是对的再单独训一个二分类器判断虚实。这种分阶段方案在数据量不足时比强行 3 类更靠谱。1300 张做 3 类分割是够的但前提是标注质量过关如果标注本身虚实边界就模糊合并反而是止损。方案类别数适用场景风险直接 3 类分割3标注清晰、虚实分明虚线样本少易混淆先分割再分类21数据量小、虚实难分链路长、误差累积合并为 2 类2只关心线位置丢失变道语义验证方法上除了 mIoU我习惯再算一个「按线的 IoU」把预测和真值都做连通域匹配最近的线对算匹配线上的重叠率。这个指标比像素 mIoU 更贴近「这条线有没有被正确识别」的工程感受。做法不复杂但能暴露像素指标掩盖的问题比如一条线整体偏移几个像素像素 IoU 还行但按线看就错位了。最后说个习惯每次拿到新的车道线数据集我都会先花半小时把掩码可视化叠到原图上肉眼过 20 张。这一步能提前发现 80% 的编码和标注问题比任何自动化检查都直接。1300 张的规模人工抽检完全可行别省这个时间。希望帮到你。本文还有配套的精品资源点击获取
