LaneGCN

Cuidado

O bucket Amazon AWS S3 argoai-argoverse que contém muitos dos arquivos de demonstração foi comprometido. Os arquivos podem estar corrompidos.
Os arquivos que fazem referência a esse bucket do S3 foram modificados e todas as recuperações desse bucket são comentadas. Por favor, proceda com cautela.

LaneGCN: Aprendendo representações gráficas de pistas para previsão de movimento

Papel | Apresentações | Página do Projeto | Vídeo Oral ECCV 2020

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

Classifique-se em 1º lugar na competição de previsão de movimento Argoverse

Índice

• Instalar dependência
• Preparar dados
• Treinamento
• Teste
• Licença
• Citação

Instalar dependência

Você precisa instalar os seguintes pacotes para executar o código:

• PyTorch>=1.3.1
• API Argoverso

1. A seguir está um exemplo de criação de ambiente do zero com o anaconda, você também pode usar o 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

2. [Opcional, mas recomendado] Instale Horovod e mpi4py para treinamento distribuído. Horovod é mais eficiente que nn.DataParallel para treinamento multi-gpu e mais fácil de usar que nn.DistributedDataParallel . Antes de instalar o horovod, certifique-se de ter o openmpi instalado ( 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

se você tiver algum problema em relação ao horovod, consulte o horovod github

Preparar dados: previsão de movimento Argoverse

Você pode verificar os scripts e baixar os dados processados ​​em vez de executá-los por horas.

bash get_data.sh

Treinamento

[Recomendado] Treinamento com 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

São necessárias 8 horas para treinar o modelo em 4 GPUS (RTX 5000) com horovod.

Também fornecemos log de treinamento para você depurar.

[Recomendado] Treinamento/depuração com Horovod em GPU única

python train.py -m lanegcn

Teste

Você pode baixar o modelo pré-treinado aqui

Conjunto de teste de inferência para envio

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

Conjunto de validação de inferência para métricas

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

Resultados qualitativos

Rótulos (Vermelho) Previsão (Verde) Outros agentes (Azul)

---

Resultados quantitativos

Licença

verifique LICENÇA

Citação

Se você usar nosso código-fonte, considere citar o seguinte:

 @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 }
}

Se você tiver alguma dúvida sobre o código, abra um problema e @chenyuntc.