Predicción de instancias eficiente

Predicción de instancias eficiente

Este repositorio contiene el código del artículo Método rápido y eficiente basado en transformadores para la predicción de instancias a vista de pájaro mediante:

• Miguel Antunes

• Luis M. Bergasa

• Santiago Montiel Marín

• Rafael Barea

• Fabio Sánchez García

• Ángel Llamazares

Cambie la ruta de nuscenes en el archivo MAKE. Si no se establece la CLAVE WANDB, el código la solicitará. Si no desea crear ni utilizar su cuenta, puede iniciar sesión de forma anónima.

Conjunto de datos NuScenes

Descargue el conjunto de datos NuScenes del sitio web oficial y extraiga los archivos en una carpeta con la siguiente estructura:

  nuscenas/
  └──── trenval/
        ├──── mapas/
        ├──── muestras/
        ├──── barre/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

Configure la ruta al conjunto de datos NuScenes en el Makefile:

 NUSCENES_PATH = /ruta/a/nuscenes

Modelos previamente entrenados

% Tabla con los modelos y su rendimiento.

Modelo	VPQ corto	pagaré corto	Parámetros (M)	Latencia (ms)	Control
Lleno	53,7	59.1	13.46	63	'Registro de modelo completo'
Diminuto	52.3	57,5	7.42	60	'Pequeño modelo ckpt'

Instalación y uso

Cree la imagen de Docker con el siguiente comando:

 hacer construir

Puede configurar los siguientes parámetros de la imagen en el Makefile:

• IMAGE_NAME : nombre de la imagen de Docker generada.

• TAG_NAME : Etiqueta de la imagen Docker generada.

• USER_NAME : nombre del usuario dentro del contenedor Docker.

Una vez creada la imagen, puede ejecutar el contenedor con el siguiente comando:

 hacer correr

Este comando ejecutará un bash dentro del contenedor y montará el directorio y el conjunto de datos actuales dentro del contenedor.

Dentro del contenedor puedes:

• Evaluar el modelo:

   python val.py --checkpoint 'Ruta/hacia/model.ckpt' --dataset_root 'Ruta/hacia/nuscenes'

• Visualice las predicciones:

   python predict.py --checkpoint 'Ruta/hacia/model.ckpt' --dataset_root 'Ruta/hacia/nuscenes'
                     --save_path 'Ruta/para/guardar/predicciones'

• Entrena el modelo:

  Primero, puede configurar algunos parámetros de entrenamiento en el archivo prediction/configs/baseline.py . También proporcionamos los archivos de configuración de nuestros modelos en la misma carpeta.

  Si desea utilizar su cuenta Wandb, puede configurar una variable de entorno WANDB_API_KEY con su clave API.

  El modelo se puede entrenar con el siguiente comando:

   python train.py --config 'nombre_config'

  Donde config_name es el nombre del archivo de configuración sin la extensión .py en prediction/configs . También se pueden agregar nuevas configuraciones personalizadas a esta carpeta.

  Si especifica una ruta de punto de control en baseline.py puede:

• Cargue los pesos de un modelo previamente entrenado si LOAD_WEIGHTS está configurado en True.

• Continúe el entrenamiento desde un punto de control si CONTINUE_TRAINING también está configurado en True, lo que mantiene los estados del optimizador y del programador.

Contacto

Si tienes alguna pregunta, no dudes en contactar conmigo en [email protected].