Previsão eficiente de instâncias

Previsão de instância eficiente

Este repositório contém o código para o artigo Método rápido e eficiente baseado em transformador para previsão de instância do Bird's Eye View por:

• Miguel Antunes

• Luis M. Bergasa

• Santiago Montiel-Marín

• Rafael Baréa

• Fábio Sánchez-García

• Anjo Llamazares

Altere o caminho nuscenes no makefile. Se WANDB KEY não estiver definido, o código irá solicitá-lo. Se não quiser criar ou usar sua conta, você pode fazer login anonimamente.

Conjunto de dados NuScenes

Baixe o conjunto de dados NuScenes do site oficial e extraia os arquivos em uma pasta com a seguinte estrutura:

  nuscenos/
  └──── tremval/
        ├──── mapas/
        ├──── amostras/
        ├──── varreduras/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

Configure o caminho para o conjunto de dados NuScenes no Makefile:

 NUSCENES_PATH = /caminho/para/nuscenes

Modelos pré-treinados

% Tabela com os modelos e seu desempenho

Modelo	VPQ curto	IoU curto	Parâmetros (M)	Latência (ms)	Ponto de verificação
Completo	53,7	59,1	13h46	63	'Modelo completo confirmado'
Pequeno	52,3	57,5	7,42	60	'Modelo minúsculo confirmado'

Instalação e uso

Crie a imagem do Docker com o seguinte comando:

 fazer construir

Você pode configurar os seguintes parâmetros da imagem no Makefile:

• IMAGE_NAME : nome da imagem Docker gerada.

• TAG_NAME : Tag da imagem Docker gerada.

• USER_NAME : nome do usuário dentro do contêiner Docker.

Depois que a imagem for criada, você poderá executar o contêiner com o seguinte comando:

 fazer correr

Este comando executará um bash dentro do contêiner e montará o diretório atual e o conjunto de dados dentro do contêiner.

Dentro do contêiner, você pode:

• Avalie o modelo:

   python val.py --checkpoint 'Caminho/para/model.ckpt' --dataset_root 'Caminho/para/nuscenes'

• Visualize as previsões:

   python prever.py --checkpoint 'Caminho/para/model.ckpt' --dataset_root 'Caminho/para/nuscenes'
                     --save_path 'Caminho/para/salvar/previsões'

• Treine o modelo:

  Primeiro, você pode configurar alguns parâmetros de treinamento no arquivo prediction/configs/baseline.py . Também fornecemos os arquivos de configuração de nossos modelos na mesma pasta.

  Se quiser usar sua conta Wandb, você pode definir uma variável de ambiente WANDB_API_KEY com sua chave API.

  O modelo pode ser treinado com o seguinte comando:

   python train.py --config 'nome_config'

  Onde config_name é o nome do arquivo de configuração sem a extensão .py em prediction/configs . Novas configurações personalizadas também podem ser adicionadas a esta pasta.

  Se você especificar um caminho de ponto de verificação em baseline.py poderá:

• Carregue os pesos de um modelo pré-treinado se LOAD_WEIGHTS estiver definido como True.

• Continue o treinamento a partir de um ponto de verificação se CONTINUE_TRAINING também estiver definido como True, o que mantém os estados do otimizador e do agendador.

Contato

Se tiver alguma dúvida, não hesite em contactar-me em [email protected].