Téléchargement du code source de la prévision d'instance efficace - Téléchargement du code source de la prévision d'instance efficace

Prédiction d'instance efficace

Autre code source

Télécharger

Prédiction d'instance efficace

Ce référentiel contient le code de l'article Méthode rapide et efficace basée sur un transformateur pour la prévision d'instance à vol d'oiseau par :

Miguel Antunes
Luis M. Bergasa
Santiago Montiel-Marín
Rafael Baréa
Fabio Sánchez-García
Ange Llamazares

Modifiez le chemin des nuscenes dans le makefile. Si WANDB KEY n’est pas défini, le code le demandera. Si vous ne souhaitez pas créer ou utiliser votre compte, vous pouvez vous connecter de manière anonyme.

Ensemble de données NuScenes

Téléchargez l'ensemble de données NuScenes depuis le site officiel et extrayez les fichiers dans un dossier avec la structure suivante :

  nuscènes/
  └──── trainval/
        ├──── cartes/
        ├──── échantillons/
        ├──── balayages/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

Configurez le chemin d'accès à l'ensemble de données NuScenes dans le Makefile :

 NUSCENES_PATH = /chemin/vers/nuscenes

Modèles pré-entraînés

% Tableau avec les modèles et leurs performances

Modèle	VPQ court	IoU court	Paramètres (M)	Latence (ms)	Point de contrôle
Complet	53,7	59.1	13h46	63	'Modèle complet de contrôle'
Minuscule	52.3	57,5	7.42	60	«Petit modèle de caisse»

Installation et utilisation

Créez l'image Docker avec la commande suivante :

 faire construire

Vous pouvez configurer les paramètres suivants de l'image dans le Makefile :

IMAGE_NAME : Nom de l'image Docker générée.
TAG_NAME : Tag de l'image Docker générée.
USER_NAME : Nom de l'utilisateur dans le conteneur Docker.

Une fois l'image créée, vous pouvez exécuter le conteneur avec la commande suivante :

 faire courir

Cette commande exécutera un bash à l'intérieur du conteneur et montera le répertoire et l'ensemble de données actuels à l'intérieur du conteneur.

A l’intérieur du conteneur, vous pouvez :

Évaluez le modèle :

 python val.py --checkpoint 'Chemin/vers/model.ckpt' --dataset_root 'Chemin/vers/nuscenes'

Visualisez les prédictions :

 python predict.py --checkpoint 'Chemin/vers/model.ckpt' --dataset_root 'Chemin/vers/nuscenes'
                   --save_path 'Chemin/vers/sauvegarde/prédictions'

Entraîner le modèle :
Tout d'abord, vous pouvez configurer certains paramètres d'entraînement dans le fichier prediction/configs/baseline.py . Nous fournissons également les fichiers de configuration de nos modèles dans le même dossier.
Si vous souhaitez utiliser votre compte Wandb, vous pouvez définir une variable d'environnement WANDB_API_KEY avec votre clé API.
Le modèle peut être entraîné avec la commande suivante :
```
 python train.py --config 'nom_config'
```
Où config_name est le nom du fichier de configuration sans l'extension .py dans prediction/configs . De nouvelles configurations personnalisées peuvent également être ajoutées à ce dossier.
Si vous spécifiez un chemin de point de contrôle dans baseline.py vous pouvez :

Chargez les poids d'un modèle pré-entraîné si LOAD_WEIGHTS est défini sur True.
Continuez la formation à partir d'un point de contrôle si CONTINUE_TRAINING est également défini sur True, ce qui conserve les états de l'optimiseur et du planificateur.