効率的なインスタンス予測

効率的なインスタンス予測

このリポジトリには、次の論文「鳥瞰図インスタンス予測のための高速かつ効率的なトランスフォーマーベースの方法」のコードが含まれています。

• ミゲル・アントゥネス

• ルイス・M・ベルガサ

• サンティアゴ・モンティエル＝マリン

• ラファエル・バレア

• ファビオ・サンチェス・ガルシア

• エンジェル・ラマザレス

Makefile 内の nuscenes パスを変更します。 WANDB KEY が設定されていない場合、コードはそれを要求します。アカウントを作成したくない、または使用したくない場合は、匿名でログインできます。

NuScenes データセット

公式 Web サイトから NuScenes データセットをダウンロードし、次の構造のフォルダーにファイルを抽出します。

  ヌシーン/
  ━━━ trainval/
        §──── 地図/
        §──── サンプル/
        §──── スイープ/
        §──── v1.0-trainval/
        └──── v1.0-mini/

Makefile で NuScenes データセットへのパスを構成します。

 NUSCENES_PATH = /path/to/nuscenes

事前訓練されたモデル

% モデルとそのパフォーマンスの表

モデル	VPQショート	IoU が短い	パラムス(男)	レイテンシー (ミリ秒)	チェックポイント
満杯	53.7	59.1	13.46	63	「フルモデルの確認」
小さい	52.3	57.5	7.42	60	「タイニーモデルチェックポイント」

インストールと使用方法

次のコマンドを使用して Docker イメージをビルドします。

ビルドする

Makefile でイメージの次のパラメーターを構成できます。

• IMAGE_NAME : 生成された Docker イメージの名前。

• TAG_NAME : 生成された Docker イメージのタグ。

• USER_NAME : Docker コンテナ内のユーザーの名前。

イメージが構築されたら、次のコマンドを使用してコンテナーを実行できます。

走らせる

このコマンドはコンテナ内で bash を実行し、現在のディレクトリとデータセットをコンテナ内にマウントします。

コンテナ内では次のことができます。

• モデルを評価します。

   python val.py --checkpoint 'パス/to/model.ckpt' --dataset_root 'パス/to/nuscenes'

• 予測を視覚化します。

   python detect.py --checkpoint 'Path/to/model.ckpt' --dataset_root 'Path/to/nuscenes'
                     --save_path '予測の保存先のパス'

• モデルをトレーニングします。

  まず、 prediction/configs/baseline.pyファイルでいくつかのトレーニング パラメーターを構成できます。モデルの構成ファイルも同じフォルダーに提供されます。

  Wandb アカウントを使用する場合は、API キーを使用して WANDB_API_KEY 環境変数を設定できます。

  モデルは次のコマンドでトレーニングできます。

   python train.py --config 'config_name'

  ここで、 config_name 、 prediction/configs内の.py拡張子を除いた構成ファイルの名前です。新しいカスタム構成をこのフォルダーに追加することもできます。

  baseline.pyでチェックポイント パスを指定すると、次のことが可能になります。

• LOAD_WEIGHTS が True に設定されている場合、事前トレーニングされたモデルの重みをロードします。

• CONTINUE_TRAINING も True に設定されている場合は、チェックポイントからトレーニングを続行します。これにより、オプティマイザーとスケジューラーの状態が管理されます。

接触

ご質問がございましたら、お気軽に [email protected] までご連絡ください。