Prediksi Instance yang Efisien

Prediksi Instance yang Efisien

Repositori ini berisi kode untuk makalah Metode Berbasis Transformator Cepat dan Efisien untuk Prediksi Instance Pandangan Mata Burung oleh:

• Miguel Antunes

• Luis M.Bergas

• Santiago Montiel-Marin

• Rafael Barea

• Fabio Sánchez-García

• Malaikat Llamazares

Ubah jalur nuscenes di makefile. Jika WANDB KEY tidak disetel, kode akan memintanya. Jika Anda tidak ingin membuat atau menggunakan akun Anda, Anda dapat login secara anonim.

Kumpulan Data NuScenes

Download dataset NuScenes dari situs resminya dan ekstrak filenya ke dalam folder dengan struktur sebagai berikut:

  nuscenes/
  └──── pelatihan/
        ├──── peta/
        ├──── sampel/
        ├──── menyapu/
        ├──── v1.0-latihan/
        └──── v1.0-mini/

Konfigurasikan jalur ke kumpulan data NuScenes di Makefile:

 NUSCENES_PATH = /path/ke/nuscenes

Model Terlatih

% Tabel dengan model dan kinerjanya

Model	VPQ pendek	IoU pendek	Param (L)	Latensi (ms)	Pos pemeriksaan
Penuh	53.7	59.1	13.46	63	'Model lengkap ckpt'
Kecil	52.3	57.5	7.42	60	'Model kecil ckpt'

Instalasi dan Penggunaan

Bangun image Docker dengan perintah berikut:

 membuat membangun

Anda dapat mengonfigurasi parameter gambar berikut di Makefile:

• IMAGE_NAME : Nama gambar Docker yang dihasilkan.

• TAG_NAME : Tag gambar Docker yang dihasilkan.

• USER_NAME : Nama pengguna di dalam wadah Docker.

Setelah image dibuat, Anda dapat menjalankan container dengan perintah berikut:

 lari

Perintah ini akan menjalankan bash di dalam container dan memasang direktori dan kumpulan data saat ini di dalam container.

Di dalam wadah, Anda dapat:

• Evaluasi modelnya:

   python val.py --checkpoint 'Jalur/ke/model.ckpt' --dataset_root 'Jalur/ke/nuscenes'

• Visualisasikan prediksinya:

   pythonprediksi.py --checkpoint 'Jalur/ke/model.ckpt' --dataset_root 'Jalur/ke/nuscenes'
                     --save_path 'Jalur/ke/simpan/prediksi'

• Latih modelnya:

  Pertama, Anda dapat mengonfigurasi beberapa parameter pelatihan di file prediction/configs/baseline.py . Kami juga menyediakan file konfigurasi untuk model kami di folder yang sama.

  Jika Anda ingin menggunakan akun Wandb, Anda dapat mengatur variabel lingkungan WANDB_API_KEY dengan kunci API Anda.

  Model dapat dilatih dengan perintah berikut:

   python kereta.py --config 'config_name'

  Dimana config_name adalah nama file konfigurasi tanpa ekstensi .py di prediction/configs . Konfigurasi khusus baru juga dapat ditambahkan ke folder ini.

  Jika Anda menentukan jalur pos pemeriksaan di baseline.py Anda dapat:

• Muat bobot model terlatih jika LOAD_WEIGHTS diatur ke True.

• Lanjutkan pelatihan dari pos pemeriksaan jika CONTINUE_TRAINING juga disetel ke True, yang mempertahankan status pengoptimal dan penjadwal.

Kontak

Jika Anda memiliki pertanyaan, jangan ragu untuk menghubungi saya di [email protected].