ดาวน์โหลด Efficient Instance Prediction - ดาวน์โหลดซอร์สโค้ด Efficient Instance Prediction

การทำนายอินสแตนซ์ที่มีประสิทธิภาพ

ซอร์สโค้ดอื่น ๆ

ดาวน์โหลด

มีประสิทธิภาพ-อินสแตนซ์-การคาดการณ์

พื้นที่เก็บข้อมูลนี้มีโค้ดสำหรับ วิธีการที่ใช้หม้อแปลงแบบรวดเร็วและมีประสิทธิภาพสำหรับการทำนายอินสแตนซ์แบบ Bird's Eye View โดย:

มิเกล อันตูเนส
หลุยส์ เอ็ม. เบอร์กาซา
ซานติอาโก มงเทียล-มาริน
ราฟาเอล บาเรีย
ฟาบิโอ ซานเชซ-การ์เซีย
แองเจิล ลามาซาเรส

เปลี่ยนเส้นทาง nuscenes ใน makefile หากไม่ได้ตั้งค่า WANDB KEY รหัสจะถามหา หากคุณไม่ต้องการสร้างหรือใช้บัญชีของคุณ คุณสามารถเข้าสู่ระบบโดยไม่เปิดเผยตัวตนได้

ชุดข้อมูล NuScenes

ดาวน์โหลดชุดข้อมูล NuScenes จากเว็บไซต์อย่างเป็นทางการ และแตกไฟล์ในโฟลเดอร์ที่มีโครงสร้างดังต่อไปนี้:

  นูซีน/
  └──── รถไฟ/
        ├──── แผนที่/
        ├──── ตัวอย่าง/
        ├──── กวาด/
        ├──── v1.0-รถไฟ/
        └──── v1.0-มินิ/

กำหนดค่าเส้นทางไปยังชุดข้อมูล NuScenes ใน Makefile:

 NUSCENES_PATH = /path/to/nuscenes

โมเดลที่ผ่านการฝึกอบรมมาแล้ว

% ตารางรุ่นและประสิทธิภาพ

แบบอย่าง	VPQ สั้น	IoU สั้น	พารามิเตอร์ (M)	เวลาแฝง (มิลลิวินาที)	ด่าน
เต็ม	53.7	59.1	13.46	63	'CKPT รุ่นเต็ม'
ขนาดเล็ก	52.3	57.5	7.42	60	'โมเดลจิ๋ว ckpt'

การติดตั้งและการใช้งาน

สร้างอิมเมจ Docker ด้วยคำสั่งต่อไปนี้:

 สร้าง

คุณสามารถกำหนดค่าพารามิเตอร์ต่อไปนี้ของรูปภาพใน Makefile:

IMAGE_NAME : ชื่อของอิมเมจ Docker ที่สร้างขึ้น
TAG_NAME : แท็กของอิมเมจ Docker ที่สร้างขึ้น
USER_NAME : ชื่อของผู้ใช้ภายในคอนเทนเนอร์ Docker

เมื่อสร้างอิมเมจแล้ว คุณสามารถรันคอนเทนเนอร์ด้วยคำสั่งต่อไปนี้:

 วิ่ง

คำสั่งนี้จะรัน bash ภายในคอนเทนเนอร์และต่อเชื่อมไดเร็กทอรีและชุดข้อมูลปัจจุบันภายในคอนเทนเนอร์

ภายในคอนเทนเนอร์ คุณสามารถ:

ประเมินแบบจำลอง:

 หลาม val.py --จุดตรวจสอบ 'เส้นทาง/to/model.ckpt' --dataset_root 'เส้นทาง/to/nuscenes'

เห็นภาพการคาดการณ์:

 หลามทำนาย.py --จุดตรวจสอบ 'เส้นทาง/to/model.ckpt' --dataset_root 'เส้นทาง/to/nuscenes'
                   --save_path 'เส้นทาง/ไปยัง/บันทึก/การคาดการณ์'

ฝึกโมเดล:
ขั้นแรก คุณสามารถกำหนดค่าพารามิเตอร์การฝึกบางอย่างในไฟล์ prediction/configs/baseline.py นอกจากนี้เรายังจัดเตรียมไฟล์การกำหนดค่าสำหรับโมเดลของเราไว้ในโฟลเดอร์เดียวกันด้วย
หากคุณต้องการใช้บัญชี Wandb คุณสามารถตั้งค่าตัวแปรสภาพแวดล้อม WANDB_API_KEY ด้วยคีย์ API ของคุณได้
โมเดลสามารถฝึกได้ด้วยคำสั่งต่อไปนี้:
```
 หลาม train.py --config 'config_name'
```
โดยที่ config_name เป็นชื่อของไฟล์การกำหนดค่าที่ไม่มีนามสกุล .py ใน prediction/configs คุณสามารถเพิ่มการกำหนดค่าแบบกำหนดเองใหม่ลงในโฟลเดอร์นี้ได้
หากคุณระบุเส้นทางจุดตรวจสอบใน baseline.py คุณสามารถ:

โหลดน้ำหนักของแบบจำลองที่ได้รับการฝึกล่วงหน้า หากตั้งค่า LOAD_WEIGHTS เป็น True
ฝึกฝนต่อจากจุดตรวจสอบ หาก CONTINUE_TRAINING ได้รับการตั้งค่าเป็น True เช่นกัน ซึ่งจะรักษาสถานะเครื่องมือเพิ่มประสิทธิภาพและตัวกำหนดเวลา