LaneGCN

Precaución

El depósito de Amazon AWS S3 argoai-argoverse que contiene muchos de los archivos de demostración se ha visto comprometido. Los archivos pueden estar dañados.
Los archivos que hacen referencia a este depósito de S3 se han modificado y cualquier recuperación de este depósito está comentada. Proceda con precaución.

LaneGCN: aprendizaje de representaciones de gráficos de carriles para pronóstico de movimiento

Papel | Diapositivas | Página del proyecto | Vídeo Oral ECCV 2020

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

Ocupe el primer lugar en la competencia de pronóstico de movimiento de Argoverse

Tabla de contenido

• Instalar dependencia
• Preparar datos
• Capacitación
• Pruebas
• Licencia
• Citación

Instalar dependencia

Debe instalar los siguientes paquetes para ejecutar el código:

• PyTorch>=1.3.1
• API de Argoverse

1. A continuación se muestra un ejemplo de cómo crear un entorno desde cero con anaconda; también puedes usar pip:

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

2. [Opcional pero recomendado] Instale Horovod y mpi4py para capacitación distribuida. Horovod es más eficiente que nn.DataParallel para el entrenamiento de múltiples gpu y más fácil de usar que nn.DistributedDataParallel . Antes de instalar horovod, asegúrese de tener instalado openmpi ( 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

Si tiene algún problema con respecto a horovod, consulte horovod github

Preparar datos: pronóstico de movimiento de Argoverse

Puede consultar los scripts y descargar los datos procesados ​​en lugar de ejecutarlos durante horas.

bash get_data.sh

Capacitación

[Recomendado] Entrenamiento con 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

Se necesitan 8 horas para entrenar el modelo en 4 GPUS (RTX 5000) con horovod.

También proporcionamos un registro de capacitación para que usted pueda depurarlo.

[Recomendado] Entrenamiento/Depuración con Horovod en una sola gpu

python train.py -m lanegcn

Pruebas

Puede descargar el modelo previamente entrenado desde aquí.

Conjunto de pruebas de inferencia para envío

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

Conjunto de validación de inferencia para métricas.

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

Resultados cualitativos

Etiquetas (Rojo) Predicción (Verde) Otros agentes (Azul)

---

Resultados cuantitativos

Licencia

consultar LICENCIA

Citación

Si utiliza nuestro código fuente, considere citar lo siguiente:

 @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 }
}

Si tiene alguna pregunta sobre el código, abra un problema y @chenyuntc.