LaneGCN Download – LaneGCN Quellcode herunterladen

LaneGCN

AI-Quellcode

1.0.0

Herunterladen

Vorsicht

Der Amazon AWS S3-Bucket argoai-argoverse , der viele der Demodateien enthält, wurde kompromittiert. Die Dateien sind möglicherweise beschädigt.
Dateien, die auf diesen S3-Bucket verweisen, wurden geändert und alle Abrufe aus diesem Bucket sind auskommentiert. Bitte gehen Sie vorsichtig vor.

LaneGCN: Lernen von Spurdiagrammdarstellungen für Bewegungsvorhersagen

Papier | Folien | Projektseite | ECCV 2020 Mündliches Video

Ming Liang, Bin Yang, Rui Hu, Yun Chen, Renjie Liao, Song Feng, Raquel Urtasun

Platz 1 im Argoverse Motion Forecasting-Wettbewerb

Bild

Inhaltsverzeichnis

Abhängigkeit installieren
Daten vorbereiten
Ausbildung
Testen
Lizenz
Zitat

Abhängigkeit installieren

Sie müssen die folgenden Pakete installieren, um den Code auszuführen:

PyTorch>=1.3.1
Argoverse-API

Im Folgenden finden Sie ein Beispiel für die Erstellung einer Umgebung von Grund auf mit Anaconda. Sie können auch pip verwenden:

conda create --name lanegcn python=3.7
conda activate lanegcn
conda install pytorch==1.5.1 torchvision cudatoolkit=10.2 -c pytorch # pytorch=1.5.1 when the code is release

# install argoverse api
pip install  git+https://github.com/argoai/argoverse-api.git

# install others dependancy
pip install scikit-image IPython tqdm ipdb

[Optional, aber empfohlen] Installieren Sie Horovod und mpi4py für verteiltes Training. Horovod ist für Multi-GPU-Training effizienter als nn.DataParallel und einfacher zu verwenden als nn.DistributedDataParallel . Stellen Sie vor der Installation von horovod sicher, dass openmpi installiert ist ( sudo apt-get install -y openmpi-bin ).

pip install mpi4py

# install horovod with GPU support, this may take a while
HOROVOD_GPU_OPERATIONS=NCCL pip install horovod==0.19.4

# if you have only SINGLE GPU, install for code-compatibility
pip install horovod

Wenn Sie Probleme mit Horovod haben, wenden Sie sich bitte an Horovod Github

Daten vorbereiten: Argoverse Motion Forecasting

Sie könnten die Skripte überprüfen und die verarbeiteten Daten herunterladen, anstatt sie stundenlang auszuführen.

bash get_data.sh

Ausbildung

[Empfohlen] Training mit Horovod-multigpus

 # single node with 4 gpus
horovodrun -np 4 -H localhost:4 python /path/to/train.py -m lanegcn

# 2 nodes, each with 4 gpus
horovodrun -np 8 -H serverA:4,serverB:4 python /path/to/train.py -m lanegcn

Es dauert 8 Stunden, das Modell mit 4 GPUS (RTX 5000) mit Horovod zu trainieren.

Wir stellen Ihnen auch ein Trainingsprotokoll zum Debuggen zur Verfügung.

[Empfohlen] Training/Debug mit Horovod in einer einzelnen GPU

python train.py -m lanegcn

Testen

Sie können das vorab trainierte Modell hier herunterladen

Inferenztestsatz zur Einreichung

 python test.py -m lanegcn --weight=/absolute/path/to/36.000.ckpt --split=test

Inferenzvalidierungssatz für Metriken

 python test.py -m lanegcn --weight=36.000.ckpt --split=val

Qualitative Ergebnisse

Beschriftungen (Rot) Vorhersage (Grün) Andere Agenten (Blau)

Quantitative Ergebnisse Bild

Lizenz

Überprüfen Sie die LIZENZ

Zitat

Wenn Sie unseren Quellcode verwenden, denken Sie bitte darüber nach, Folgendes zu zitieren:

 @InProceedings { liang2020learning ,
  title = { Learning lane graph representations for motion forecasting } ,
  author = { Liang, Ming and Yang, Bin and Hu, Rui and Chen, Yun and Liao, Renjie and Feng, Song and Urtasun, Raquel } ,
  booktitle = { ECCV } ,
  year = { 2020 }
}