系列做到第6期，前面已经跑通了环境、NPC、YOLO检测、四路相机和BEV拼接。这期做语义分割——让模型理解图像里每个像素是什么：路面、车道线、车辆、行人、建筑。

1 为什么做语义分割

目标检测告诉你"哪里有车"，语义分割告诉你"这个像素是路，那个像素是车"。

对比	目标检测	语义分割
输出	检测框	像素级分类
精度	知道"在哪"	知道"是什么+在哪"
用途	障碍物检测	可通行区域、车道线、场景理解

对于自动驾驶，语义分割是理解场景的重要基础——地面提取、可行驶区域、车道线检测都靠它。

2 整体流程

启动环境（前几期一样）
    ↓
发布相机图像（TCP桥接）
    ↓
创建NPC交通流
    ↓
运行语义分割模型（SegFormer / YOLOPv2）

第一步到第五步：准备阶段

环境启动、ROS Bridge、TCP图像传输、NPC生成，都跟之前一样：

# 终端1-3：启动环境 + Carla + ROS Bridge

# 终端4：发布相机图像
cd /opt/carla_ws
python tcp_bridge/tcp_bridge_server_multi_camera_py2.py  # 四路环视相机
python tcp_bridge/tcp_bridge_server_py2.py               # 仅前视相机

# 终端5：创建NPC
python scripts/spawn_random_npc_py2.py _vehicle_count:=20 _walker_count:=10

第六步：运行语义分割

方案一：SegFormer

SegFormer 是 transformer 架构的语义分割模型，性能均衡。

cd /opt/carla_ws/sim_workspace/image_seg

# 在线实时分割（直接获取carla图像数据）
python image_seg_segformer_online.py

# 离线分割（处理已保存图像）
python image_seg_segformer.py

方案二：YOLOPv2

YOLOPv2 是个"三合一"模型——同时做目标检测 + 车道线分割 + 可行驶区域分割，一个模型搞定三个任务。

cd /opt/carla_ws/sim_workspace/image_seg

# 在线实时分割
python image_seg_yolopv2_online.py

# 离线分割
python image_seg_yolopv2.py

3 实测对比

两个模型都能正常工作，但效果差异明显：

对比	SegFormer	YOLOPv2
语义分割效果	一般	好很多
车道线	无	✅ 专门优化
地面/可行驶区域	有	✅ 专门优化
目标检测	无	✅ 内置
单模型多任务	否	✅ 是

YOLOPv2 的语义分割效果明显更好，而且一个模型同时输出检测+车道线+地面，对自动驾驶场景更实用。我这是在仿真的环境中对比，在真实环境中可能会不一样，只是提供一个参考，从框架来看，YOLOPv2 的输出结果更满足自动驾驶的需要。

4 几个关键点

要点	说明
模型选择	场景理解用YOLOPv2，通用分割用SegFormer
与BEV结合	分割结果可以投影到BEV，做可行驶区域分析

5 下一期

下期将语义分割的结果投影到BEV空间下，得到语义BEV。

往期回顾

• Carla仿真系列：5_Carla 四路相机标定与BEV环视拼接
• Carla仿真系列：4_在 Carla 的 Tesla 上装 4 路摄像头，并创建网格为环视拼接做准备
• Carla仿真系列：3_Carla 仿真中跑通 YOLOv8 实时目标检测
• Carla仿真系列：2_Carla 仿真中批量添加 NPC，让场景动起来
• Carla仿真系列：1_Carla + ROS 仿真环境从零搭建，跑通完整数据流

如果本文对你有帮助，欢迎点赞、关注、收藏。
遇到问题可以评论区留言交流，也欢迎转发给需要的朋友。