这篇案例围绕 BoolArt Cityscapes 展开，主题并不是泛泛而谈的视觉模型介绍，而是把一个自动驾驶街景语义分割题拆成可执行的工程问题。核心任务是在德国城市场景图像中识别道路、行人、骑行者及多类车辆，并输出符合提交规范的像素级结果。内容重点放在任务理解、数据组织、Dice 指标、RLE 提交格式以及基线到进阶方案的迭代逻辑上。赛题规模不算大，却完整覆盖了分割项目从数据读取、标签映射、模型训练到结果交付的关键环节，适合作为进入城市视觉感知领域的实战样本。文章目录赛题概述数据详解解题思路操作案例基础流程样例扩展流程概述优秀案例解析总结赛题概述本案例地址 BoolArt-cityscapes。这道题本质上是自动驾驶视觉感知中的语义分割任务，核心目标是在德国城市场景街景图像中识别道路、行人、骑行者和多类车辆，并按提交格式输出像素级预测结果。赛题虽然规模不大，更像面向实战的分割练习项目，但覆盖了从数据组织理解、标签映射、掩码编码到模型训练与结果提交的完整链路，适合用来打通计算机视觉项目落地流程。对自学者而言，价值不只在于刷分，更在于理解感知模型如何服务于智能驾驶、道路巡检与城市交通分析等真实业务。模块名称内容简介所需技能数据类型应用场景赛题背景这是一个以城市场景视觉理解为核心的图像分割项目，关注复杂道路环境中的多类别目标识别。题面虽以竞赛形式出现，但本质接近自动驾驶感知模块的简化原型开发，重点不在平台机制，而在如何把带标注街景数据转成可训练、可评估、可提交的分割方案。问题抽象、语义分割任务建模、类别体系理解、数据管线设计、训练与验证流程搭建、结果格式适配街景图像、像素级标注掩码、类别映射信息、RLE 编码提交文件、自建验证切分结果自动驾驶环境感知、智慧交通分析、道路资产识别、城市