Efficient Instance Prediction Download - Efficient Instance Prediction Quellcode herunterladen

Effiziente Instanzvorhersage

Anderer Quellcode

Herunterladen

Effiziente Instanzvorhersage

Dieses Repository enthält den Code für das Papier Fast and Efficient Transformer-based Method for Bird's Eye View Instance Prediction von:

Miguel Antunes
Luis M. Bergasa
Santiago Montiel-Marín
Rafael Barea
Fabio Sánchez-García
Engel Llamazares

Ändern Sie den Nuscenes-Pfad im Makefile. Wenn WANDB KEY nicht festgelegt ist, fragt der Code danach. Wenn Sie Ihr Konto nicht erstellen oder nutzen möchten, können Sie sich anonym anmelden.

NuScenes-Datensatz

Laden Sie den NuScenes-Datensatz von der offiziellen Website herunter und extrahieren Sie die Dateien in einen Ordner mit der folgenden Struktur:

  Nuscenes/
  └──── trainval/
        ├──── Karten/
        ├──── Proben/
        ├──── fegt/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

Konfigurieren Sie den Pfad zum NuScenes-Datensatz im Makefile:

 NUSCENES_PATH = /path/to/nuscenes

Vorab trainierte Modelle

% Tabelle mit den Modellen und ihrer Leistung

Modell	VPQ kurz	IoU kurz	Parameter (M)	Latenz (ms)	Kontrollpunkt
Voll	53,7	59.1	13.46	63	„Vollständige Modellbestätigung“
Winzig	52.3	57,5	7.42	60	„Winziges Modell ckpt“

Installation und Nutzung

Erstellen Sie das Docker-Image mit dem folgenden Befehl:

 bauen machen

Sie können die folgenden Parameter des Bildes im Makefile konfigurieren:

IMAGE_NAME : Name des generierten Docker-Images.
TAG_NAME : Tag des generierten Docker-Images.
USER_NAME : Name des Benutzers im Docker-Container.

Sobald das Image erstellt ist, können Sie den Container mit dem folgenden Befehl ausführen:

 laufen lassen

Dieser Befehl führt eine Bash im Container aus und stellt das aktuelle Verzeichnis und den aktuellen Datensatz im Container bereit.

Im Container können Sie:

Bewerten Sie das Modell:

 python val.py --checkpoint 'Pfad/zu/model.ckpt' --dataset_root 'Pfad/zu/nuscenes'

Visualisieren Sie die Vorhersagen:

 python Predict.py --checkpoint 'Pfad/zu/model.ckpt' --dataset_root 'Pfad/zu/nuscenes'
                   --save_path 'Pfad/zur/Speicherung/Vorhersagen'

Trainieren Sie das Modell:
Zunächst können Sie einige Trainingsparameter in der Datei prediction/configs/baseline.py konfigurieren. Im selben Ordner stellen wir auch die Konfigurationsdateien für unsere Modelle bereit.
Wenn Sie Ihr Wandb-Konto verwenden möchten, können Sie mit Ihrem API-Schlüssel eine Umgebungsvariable WANDB_API_KEY festlegen.
Das Modell kann mit dem folgenden Befehl trainiert werden:
```
 python train.py --config 'config_name'
```
Dabei ist config_name der Name der Konfigurationsdatei ohne die Erweiterung .py in prediction/configs . Diesem Ordner können auch neue benutzerdefinierte Konfigurationen hinzugefügt werden.
Wenn Sie in baseline.py einen Prüfpunktpfad angeben, können Sie:

Laden Sie die Gewichte eines vorab trainierten Modells, wenn LOAD_WEIGHTS auf True gesetzt ist.
Setzen Sie das Training von einem Prüfpunkt aus fort, wenn CONTINUE_TRAINING ebenfalls auf True gesetzt ist, wodurch die Optimierer- und Scheduler-Zustände beibehalten werden.