tusimple-benchmark车道线标注格式详解：h_samples、lanes与-2占位符到底怎么用
【免费下载链接】tusimple-benchmarkDownload Datasets and Ground Truths: https://github.com/TuSimple/tusimple-benchmark/issues/3项目地址: https://gitcode.com/gh_mirrors/tu/tusimple-benchmark
tusimple-benchmark 是 CVPR 2017 自动驾驶车道线检测挑战赛的官方数据集，包含约 7000 段高速行车视频片段。本文用 3 个真实标注例子，带你快速看懂车道线标注格式：h_samples、lanes与-2占位符到底怎么用，并附上可视化验证方法和新手避坑清单。
🚗 一、30 秒认识 tusimple-benchmark 车道线检测数据集
tusimple-benchmark是 TuSimple 公司为 CVPR 2017 自动驾驶挑战赛发布的官方基准项目，包含两项挑战：车道线检测和车速估计，本文聚焦前者。
车道线是高速公路上的主要静态要素，为车辆控制提供定位信息。数据集的核心信息如下：
| 项目 | 说明 |
|---|---|
| 训练集 | 3626 段视频片段，对应 3626 张标注帧 |
| 测试集 | 2782 段视频片段（无标注，需提交预测） |
| 片段规格 | 每段 1 秒、共 20 帧，相机方向接近行车方向 |
| 标注方式 | 仅标注每段的第 20 帧（最后一帧） |
| 标注范围 | 当前车道 + 左右车道，最多 4 条车道线（变道时允许 5 条） |
💡 关键认知：标注不是逐像素的掩码，而是在固定行距上采样出的一串点坐标。这也是h_samples和lanes两个字段存在的原因。
📁 二、目录结构快速定位：标注文件在哪里
数据集的目录结构非常简洁：
dataset/ ├── clips/ # 视频片段目录 │ └── some_clip/ # 每段 20 张连续图像 └── tasks.json # 训练集为标注数据；测试集为提交模板label_data_(date).json中每一行 JSON 对应一个片段第 20 帧的标注，用raw_file字段指向对应的图像路径。官方标注样例如下，绿色圆圈就是按行采样得到的车道线标注点：
🔍 三、h_samples 与 lanes 字段逐项拆解（附完整示例）
一条完整的标注 JSON 长这样（车道数据已截断）：
{ "lanes": [ [-2, -2, -2, -2, 632, 625, 617, 609, ... 314, 307, 299], [-2, -2, -2, -2, 719, 734, 748, 762, ... 1236, 1265, -2, -2, -2, -2, -2], [-2, -2, -2, -2, -2, 532, 503, 474, ... 271, 241, 212, 183, 154, 125, 96, 67, 38, 9, -2, ...], [-2, -2, -2, 781, 822, 862, 903, ... 1269, -2, -2, -2, -2, -2, -2] ], "h_samples": [240, 250, 260, 270, 280, 290, ... 690, 700, 710], "raw_file": "path_to_clip" }三个字段各司其职：
| 字段 | 类型 | 含义 |
|---|---|---|
raw_file | str | 该片段第 20 帧的图像路径 |
lanes | list[list[int]] | 最多 5 条车道线，每条车道线是一个横坐标 x列表 |
h_samples | list[int] | 采样点的纵坐标 y（行号），等间距排列 |
三条核心规则
- 长度对齐：
len(lanes[i]) == len(h_samples)，每条车道线的 x 列表必须与h_samples等长； - 等距采样：
h_samples按与拍摄车相同的距离间隔取值（上例为 240→710、步长 10，共 48 个采样行）； - 配对成点：把
lanes[i]中每个元素与h_samples对应位置的 y 一一配对，就得到该车道线在图像上的(x, y)坐标点序列。
官方指南 doc/lane_detection/guideline.md 中概括为："zip每条车道线与h_samples，即可得到该车道线的连续点序列"。配对后的效果如下图所示：
❌ 四、-2 占位符到底怎么用：缺失车道线的标记规则
-2是新手最容易困惑的地方，记住一句话即可：
lanes中的-2表示"在该 h_sample 行上，不存在车道线"。
出现-2的典型场景有三种：
- 车道线从某个行才出现（如从远处驶来、从画面外进入）；
- 车道线在某行延伸出画面（x 超出图像范围）；
- 车道线被车辆、路障遮挡，该段不可见。
回到上面的示例：第一条车道线的前 4 个值都是-2（对应 240~270 行），它的第一个有效点是 (632, 280)——即第 280 行、横坐标 632 像素处。
⚠️ 提交预测结果时同理：某个采样行超出视野或没有车道线，就记录-2，而不是 0 或随意插值。
评估代码在打分时会统一忽略负值，只需按x >= 0过滤即可，参考实现见 evaluate/lane.py。
🖼️ 五、如何快速可视化验证标注：配对 h_samples 与 lanes
拿到标注后，最快的验证方式是把点画回图像上。核心逻辑只有 5 行：
import json, cv2 line = json.loads(open('label_data.json').readline()) img = cv2.imread(line["raw_file"]) for lane in line["lanes"]: for x, y in zip(lane, line["h_samples"]): if x >= 0: # 过滤 -2 占位符 cv2.circle(img, (x, y), 5, (0, 255, 0), -1)官方示例笔记本 example/lane_demo.ipynb 就用这种方式展示：先读取原始图像，再把lanes与h_samples配对绘制绿色圆点，最后与预测结果对比打分，是理解标注格式的最好的入门材料。
⚠️ 六、新手避坑清单：5 个最常见的错误
- 长度不对齐：某条车道线的 x 列表长度 ≠
len(h_samples)，评估代码会直接抛出Format of lanes error； - 提交车道线过多：提交条数 > 真实条数 + 2 时，该图 accuracy 直接记 0。真实标注最多 4 条（少量 5 条），请只提交最有把握的车道线；
- 缺少 run_time：预测结果必须包含
run_time列表（每帧耗时，单位毫秒），漏写直接报错； - 算法太慢：官方说明低于 5 fps（单帧约 200ms）会被视为"无预测车道线"，虽然不按时速排名，但太慢同样拿 0 分；
- 误用 -2：
-2不是"不标注"，而是"该行确实没有车道线"。预测时缺失行必须显式写-2。
📌 打分阈值速记（定义见 evaluate/lane.py）：预测点与真实点横向误差小于20 像素（按车道线角度修正）记为正确点；一条车道线正确点比例达到85%才算匹配成功。
🚀 七、快速开始：克隆仓库跑通第一个示例
git clone https://gitcode.com/gh_mirrors/tu/tusimple-benchmark克隆后建议按以下顺序阅读：
- 挑战赛完整说明与标注格式：doc/lane_detection/readme.md
- 数据格式与评估指南：doc/lane_detection/guideline.md
- 可视化 + 评估演示笔记本：example/lane_demo.ipynb
- 官方评估实现：evaluate/lane.py
数据集文件较大，下载地址请在项目仓库的Issue #3中获取。
一句话总结：h_samples给出"在哪些行采样"，lanes给出"每行车道线的横坐标"，-2表示"这行没有车道线"。三者配对后就是完整的一条车道线，理解了这个点，tusimple-benchmark 的车道线标注就再没有门槛了。
【免费下载链接】tusimple-benchmarkDownload Datasets and Ground Truths: https://github.com/TuSimple/tusimple-benchmark/issues/3项目地址: https://gitcode.com/gh_mirrors/tu/tusimple-benchmark
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
