LaneGCN

Осторожность

Корзина argoai-argoverse Amazon AWS S3, в которой хранится множество демонстрационных файлов, была взломана. Возможно, файлы повреждены.
Файлы, ссылающиеся на эту корзину S3, были изменены, и любые результаты поиска из этой корзины закомментированы. Пожалуйста, действуйте осторожно.

LaneGCN: изучение представлений диаграммы дорожек для прогнозирования движения

Бумага | Слайды | Страница проекта | Устное видео ECCV 2020

Мин Лян, Бинь Ян, Руй Ху, Юн Чен, Ренджи Ляо, Сун Фэн, Ракель Уртасун

1-е место в конкурсе по прогнозированию движения Argoverse

Оглавление

• Установить зависимость
• Подготовьте данные
• Обучение
• Тестирование
• Лицензия
• Цитирование

Установить зависимость

Для запуска кода вам необходимо установить следующие пакеты:

• ПиТорч >= 1.3.1
• Арговерс API

1. Ниже приведен пример создания среды с нуля с помощью anaconda, вы также можете использовать 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. [Необязательно, но рекомендуется] Установите Horovod и mpi4py для распределенного обучения. Horovod более эффективен, чем nn.DataParallel для обучения нескольких графических процессоров и проще в использовании, чем nn.DistributedDataParallel . Перед установкой хоровода убедитесь, что у вас установлен 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

Если у вас есть какие-либо проблемы с хороводом, обратитесь к хороводу на github.

Подготовка данных: прогноз движения Argoverse

Вы можете проверить сценарии и загрузить обработанные данные вместо того, чтобы запускать их часами.

bash get_data.sh

Обучение

[Рекомендуется] Обучение с Хороводом-мультигпусом

 # 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

Обучение модели на 4 GPU (RTX 5000) с хороводом занимает 8 часов.

Мы также предоставляем вам журнал обучения для отладки.

[Рекомендуется] Обучение/отладка с помощью Horovod на одном графическом процессоре

python train.py -m lanegcn

Тестирование

Вы можете скачать предварительно обученную модель здесь.

Набор тестов для вывода для отправки

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

Набор проверки вывода для метрик

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

Качественные результаты

Ярлыки (красный) Прогноз (зеленый) Другие агенты (синий)

---

Количественные результаты

Лицензия

проверить ЛИЦЕНЗИЮ

Цитирование

Если вы используете наш исходный код, пожалуйста, рассмотрите возможность ссылки на следующее:

 @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 }
}

Если у вас есть какие-либо вопросы относительно кода, откройте проблему и @chenyuntc.