Téléchargement LaneGCN - Téléchargement du code source LaneGCN

LaneGCN

Code Source AI

1.0.0

Télécharger

Prudence

Le compartiment Amazon AWS S3 argoai-argoverse qui contient de nombreux fichiers de démonstration a été compromis. Les fichiers peuvent être corrompus.
Les fichiers faisant référence à ce compartiment S3 ont été modifiés et toutes les extractions de ce compartiment sont commentées. Veuillez procéder avec prudence.

LaneGCN : apprentissage des représentations graphiques de voies pour la prévision de mouvement

Papier | Diapositives | Page du projet | Vidéo orale ECCV 2020

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

Classé 1er au concours de prévision de mouvement Argoverse

Table des matières

Installer la dépendance
Préparer les données
Entraînement
Essai
Licence
Citation

Installer la dépendance

Vous devez installer les packages suivants pour exécuter le code :

PyTorch>=1.3.1
API Argoverse

Voici un exemple de création d'un environnement à partir de zéro avec anaconda, vous pouvez également utiliser 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

[Facultatif mais recommandé] Installez Horovod et mpi4py pour une formation distribuée. Horovod est plus efficace que nn.DataParallel pour la formation multi-gpu et plus facile à utiliser que nn.DistributedDataParallel . Avant d'installer horovod, assurez-vous que openmpi est installé ( 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 vous avez des problèmes concernant horovod, veuillez vous référer à horovod github

Préparer les données : prévision du mouvement Argoverse

Vous pouvez vérifier les scripts et télécharger les données traitées au lieu de les exécuter pendant des heures.

bash get_data.sh

Entraînement

[Recommandé] Formation avec 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

Il faut 8 heures pour entraîner le modèle en 4 GPUS (RTX 5000) avec horovod.

Nous fournissons également un journal de formation pour que vous puissiez déboguer.

[Recommandé] Formation/Débogage avec Horovod dans un seul GPU

python train.py -m lanegcn

Essai

Vous pouvez télécharger le modèle pré-entraîné à partir d'ici

Ensemble de tests d'inférence pour soumission

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

Ensemble de validation d'inférence pour les métriques

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

Résultats qualitatifs

Étiquettes (rouge) Prédiction (vert) Autres agents (bleu)

Résultats quantitatifs

Licence

vérifier LICENCE

Citation

Si vous utilisez notre code source, pensez à citer ce qui suit :

 @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 }
}