LaneGCN

คำเตือน

บัคเก็ต argoai-argoverse ของ Amazon AWS S3 ซึ่งมีไฟล์สาธิตจำนวนมากถูกโจมตี ไฟล์อาจเสียหาย
ไฟล์ที่อ้างอิงถึงบัคเก็ต S3 นี้ได้รับการแก้ไขแล้ว และการดึงข้อมูลใดๆ จากบัคเก็ตนี้จะถูกใส่ความคิดเห็นไว้ โปรดดำเนินการด้วยความระมัดระวัง

LaneGCN: การเรียนรู้การแสดงกราฟเลนสำหรับการพยากรณ์การเคลื่อนไหว

กระดาษ | สไลด์ | หน้าโครงการ | วิดีโอ ปากเปล่า ECCV 2020

หมิงเหลียง, ปินหยาง, รุยหู, หยุนเฉิน, เหรินจี้ เหลียว, ซ่งเฟิง, ราเควล อูร์ทาซัน

อันดับ 1 ในการแข่งขัน Argoverse Motion Forecasting

สารบัญ

• ติดตั้งการพึ่งพา
• เตรียมข้อมูล
• การฝึกอบรม
• การทดสอบ
• ใบอนุญาต
• การอ้างอิง

ติดตั้งการพึ่งพา

คุณต้องติดตั้งแพ็คเกจต่อไปนี้เพื่อรันโค้ด:

• ไพทอร์ช>=1.3.1
• อาร์โกเวิร์ส API

1. ต่อไปนี้เป็นตัวอย่างของการสร้างสภาพแวดล้อม ตั้งแต่เริ่มต้น ด้วยอนาคอนดา คุณสามารถใช้ pip ได้เช่นกัน:

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. [ไม่บังคับ แต่แนะนำ] ติดตั้ง Horovod และ mpi4py สำหรับการฝึกอบรมแบบกระจาย Horovod มีประสิทธิภาพมากกว่า nn.DataParallel สำหรับการฝึกอบรม mulit-gpu และใช้งานง่ายกว่า nn.DistributedDataParallel ก่อนที่จะติดตั้ง horovod ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้ง openmpi แล้ว ( 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

หากคุณมีปัญหาใดๆ เกี่ยวกับ horovod โปรดดูที่ horovod github

เตรียมข้อมูล: การพยากรณ์การเคลื่อนที่แบบ Argoverse

คุณสามารถตรวจสอบสคริปต์และดาวน์โหลดข้อมูลที่ประมวลผลได้ แทนที่จะต้องใช้งานเป็นเวลาหลายชั่วโมง

bash get_data.sh

การฝึกอบรม

[แนะนำ] การฝึกกับ 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

ใช้เวลา 8 ชั่วโมงในการฝึกโมเดลใน 4 GPUS (RTX 5000) ด้วย horovod

เรายังจัดเตรียมบันทึกการฝึกอบรมเพื่อให้คุณแก้ไขจุดบกพร่องอีกด้วย

[แนะนำ] การฝึกอบรม/แก้ไขข้อบกพร่องด้วย Horovod ใน GPU เดียว

python train.py -m lanegcn

การทดสอบ

คุณสามารถดาวน์โหลดโมเดลที่ฝึกไว้ล่วงหน้าได้จากที่นี่

ชุดทดสอบการอนุมานสำหรับการส่ง

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

ชุดการตรวจสอบความถูกต้องของการอนุมานสำหรับเมตริก

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

ผลลัพธ์เชิงคุณภาพ

ป้ายกำกับ (สีแดง) การทำนาย (สีเขียว) ตัวแทนอื่น ๆ (สีน้ำเงิน)

---

ผลลัพธ์เชิงปริมาณ

ใบอนุญาต

ตรวจสอบใบอนุญาต

การอ้างอิง

หากคุณใช้ซอร์สโค้ดของเรา โปรดพิจารณาอ้างอิงสิ่งต่อไปนี้:

 @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 }
}

หากคุณมีคำถามใดๆ เกี่ยวกับโค้ด โปรดเปิดปัญหาและ @chenyuntc