最近因为一些项目需要，摸索钻研yolop同时进行目标检测和可行驶区域识别，删掉了车道线检测的相关部分，目标检测的类别有5类（这里有一些class的数值我还没有特别搞清楚），本篇博客为神经网络小白在摸索yolop的过程当中的一些记录，仅供参考，如果有错误的地方，欢迎指正。

数据集用的是bdd100k的数据集，删掉了车道线部分，代码就是GitHub上面华科团队做的yolop的开源代码。

以下是我做的一些修改

1.删除loss.py里面有关车道线的部分，参考以下这篇文章。
使用YOLOP进行目标检测和分割_yolovp-CSDN博客

2.function.py里面车道线相关的代码也注释掉；

3.convert.py里面改成自己的类

4.YOLOP.py里面改网络（上面那篇博客说的很细，这里我不赘述）

5.plot.py 如果需要框出目标的时候显示类别的话，把这部分的注释解掉

其他：

1.关于nc种类的部分暂时不记录，因为我暂时也不是很确定有些种类是目标检测+可行驶区域识别（也就是5+1），或者还是单单的目标检测种类，如果后期做了验证之后，我会补充。

2.刚刚开始用的不是bdd100k的数据集，是bdd+coco的数据集，先把coco的txt转化成了json文件。但是yolop加载数据集的方式是读取了masks路径下的文件，生成了一个masks list,然后再通过这个list去images文件夹和det文件夹下面寻找对应的image和标签（这部分加载数据集的代码在bdd.py），为了加载我的数据集，我改成了读取了images路径下的文件，生成images list再加载其他的标签和masks;bdd.py加载完成之后在AutoDriveDataset.py里面进行一个预处理，因为我有些图像没有masks标签，所以我做了一个判断，

分别对两个数据集进行处理，

最后这样来加载数据集，因为没有label_seg会导致后面计算的时候张量不匹配，所以我加了一个全零的张量，但是这有一个后果就是训练的时候可能会导致NAN或者inf，这个问题我暂时还没有解决（因为后面用了bdd的数据集），如果解决了会同步更新，这部分数据集代码的修改算是给需要用自己的数据集来跑yolop，但是又没有可行驶区域标签的伙伴一个参考。