효율적인 인스턴스 예측

효율적인 인스턴스 예측

이 저장소에는 조감도 인스턴스 예측을 위한 빠르고 효율적인 변환기 기반 방법 문서에 대한 코드가 포함되어 있습니다.

• 미구엘 안투네스

• 루이스 M. 베르가사

• 산티아고 몬티엘-마린

• 라파엘 바레아

• 파비오 산체스-가르시아

• 엔젤 라마자레스

makefile에서 nuscenes 경로를 변경합니다. WANDB KEY가 설정되지 않은 경우 코드에서 이를 요청합니다. 계정을 만들거나 사용하고 싶지 않다면 익명으로 로그인할 수 있습니다.

NuScenes 데이터세트

공식 웹사이트에서 NuScenes 데이터 세트를 다운로드하고 다음 구조의 폴더에 파일을 추출합니다.

  누신/
  └──── 열차발/
        ├──── 지도/
        ├──── 샘플/
        ├──── 스윕/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

Makefile에서 NuScenes 데이터세트에 대한 경로를 구성합니다.

 NUSCENES_PATH = /경로/to/nuscenes

사전 훈련된 모델

모델과 성능이 포함된 % 표

모델	VPQ 쇼트	IoU 쇼트	매개변수(M)	지연 시간(밀리초)	검문소
가득한	53.7	59.1	13.46	63	'전체 모델 ckpt'
매우 작은	52.3	57.5	7.42	60	'작은 모델 ckpt'

설치 및 사용법

다음 명령을 사용하여 Docker 이미지를 빌드합니다.

 빌드하다

Makefile에서 이미지의 다음 매개변수를 구성할 수 있습니다.

• IMAGE_NAME : 생성된 Docker 이미지의 이름입니다.

• TAG_NAME : 생성된 Docker 이미지의 태그입니다.

• USER_NAME : Docker 컨테이너 내부의 사용자 이름입니다.

이미지가 빌드되면 다음 명령을 사용하여 컨테이너를 실행할 수 있습니다.

 달리다

이 명령은 컨테이너 내부에서 bash를 실행하고 현재 디렉터리와 데이터 세트를 컨테이너 내부에 마운트합니다.

컨테이너 내부에서는 다음을 수행할 수 있습니다.

• 모델을 평가합니다.

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

• 예측을 시각화합니다.

   python 예측.py --checkpoint '경로/to/model.ckpt' --dataset_root '경로/to/nuscenes'
                     --save_path '경로/대상/저장/예측'

• 모델 학습:

  먼저 prediction/configs/baseline.py 파일에서 일부 훈련 매개변수를 구성할 수 있습니다. 또한 동일한 폴더에 모델에 대한 구성 파일도 제공됩니다.

  Wandb 계정을 사용하려면 API 키를 사용하여 WANDB_API_KEY 환경 변수를 설정할 수 있습니다.

  모델은 다음 명령을 사용하여 학습할 수 있습니다.

   python train.py --config 'config_name'

  여기서 config_name prediction/configs 에서 .py 확장자가 없는 구성 파일의 이름입니다. 새로운 사용자 정의 구성을 이 폴더에 추가할 수도 있습니다.

  baseline.py 에 체크포인트 경로를 지정하면 다음을 수행할 수 있습니다.

• LOAD_WEIGHTS가 True로 설정된 경우 사전 훈련된 모델의 가중치를 로드합니다.

• CONTINUE_TRAINING도 True로 설정된 경우 체크포인트에서 훈련을 계속합니다. 이는 최적화 프로그램과 스케줄러 상태를 유지합니다.

연락하다

질문이 있으시면 언제든지 [email protected]로 연락해 주세요.