Unduhan LaneGCN - Unduhan kode sumber LaneGCN

LaneGCN

Kode Sumber AI

1.0.0

Unduh

Peringatan

Bucket Amazon AWS S3 argoai-argoverse yang menyimpan banyak file demo telah disusupi. File mungkin rusak.
File yang mereferensikan bucket S3 ini telah dimodifikasi, dan pengambilan apa pun dari bucket ini akan diberi komentar. Silakan lanjutkan dengan hati-hati.

LaneGCN: Mempelajari Representasi Grafik Jalur untuk Perkiraan Gerak

Kertas | Slide | Halaman Proyek | Video Lisan ECCV 2020

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

Juara 1 Kompetisi Argoverse Motion Forecasting

gambar

Daftar isi

Instal Ketergantungan
Siapkan Datanya
Pelatihan
Pengujian
Lisensi
Kutipan

Instal Ketergantungan

Anda perlu menginstal paket berikut untuk menjalankan kode:

PyTorch>=1.3.1
API Argoverse

Berikut adalah contoh pembuatan lingkungan dari awal dengan anaconda, Anda juga dapat menggunakan 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

[Opsional tetapi Direkomendasikan] Instal Horovod dan mpi4py untuk pelatihan terdistribusi. Horovod lebih efisien dibandingkan nn.DataParallel untuk pelatihan mulit-gpu dan lebih mudah digunakan dibandingkan nn.DistributedDataParallel . Sebelum menginstal horovod, pastikan Anda telah menginstal 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

jika Anda memiliki masalah apa pun mengenai horovod, silakan merujuk ke horovod github

Siapkan Data: Peramalan Gerak Argoverse

Anda dapat memeriksa skripnya, dan mengunduh data yang diproses alih-alih menjalankannya berjam-jam.

bash get_data.sh

Pelatihan

[Direkomendasikan] Pelatihan dengan 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

Dibutuhkan 8 jam untuk melatih model dalam 4 GPU (RTX 5000) dengan horovod.

Kami juga menyediakan log pelatihan untuk Anda debug.

[Direkomendasikan] Pelatihan/Debug dengan Horovod dalam GPU tunggal

python train.py -m lanegcn

Pengujian

Anda dapat mengunduh model terlatih dari sini

Tes inferensi ditetapkan untuk diserahkan

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

Validasi inferensi ditetapkan untuk metrik

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

Hasil kualitatif

Label(Merah) Prediksi (Hijau) Agen lain(Biru)

Hasil kuantitatif gambar

Lisensi

periksa LISENSI

Kutipan

Jika Anda menggunakan kode sumber kami, mohon pertimbangkan untuk mengutip yang berikut ini:

 @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 }
}