高效率的實例預測

高效率實例預測

此儲存庫包含論文《基於快速高效的變壓器的鳥瞰圖實例預測方法》的程式碼：

• 米格爾·安圖內斯

• 路易斯·M·貝爾加薩

• 聖地牙哥·蒙蒂爾·馬林

• 拉斐爾·巴里亞

• 法比奧·桑切斯·加西亞

• 安吉爾·拉馬薩雷斯

更改 makefile 中的 nuscenes 路徑。如果未設定 WANDB KEY，代碼將要求設定。如果您不想建立或使用您的帳戶，您可以匿名登入。

NuScenes 資料集

從官方網站下載NuScenes資料集，並將檔案解壓縮到具有以下結構的資料夾：

  努斯場景/
  └──── 訓練值/
        ├──── 地圖/
        ├──── 樣品/
        ├────掃/
        ├──── v1.0-trainval/
        └──── v1.0-mini/

在Makefile中配置NuScenes資料集的路徑：

 NUSCENES_PATH = /路徑/到/nuscenes

預訓練模型

% 模型及其性能表

模型	VPQ 短	IoU短	參數 (M)	延遲（毫秒）	檢查站
滿的	53.7	59.1	13.46	63	'完整模型 ckpt'
微小的	52.3	57.5	7.42	60	“小模型 ckpt”

安裝與使用

使用以下命令建置 Docker 映像：

進行建構

您可以在Makefile中配置鏡像的以下參數：

• IMAGE_NAME ：產生的 Docker 映像的名稱。

• TAG_NAME ：產生的 Docker 映像的標籤。

• USER_NAME ：Docker 容器內的使用者名稱。

建置鏡像後，您可以使用以下命令運行容器：

讓跑

此命令將在容器內執行 bash 並掛載容器內的目前目錄和資料集。

在容器內，您可以：

• 評估模型：

   python val.py --checkpoint 'Path/to/model.ckpt' --dataset_root 'Path/to/nuscenes'

• 可視化預測：

   python Predict.py --checkpoint 'Path/to/model.ckpt' --dataset_root 'Path/to/nuscenes'
                     --save_path '儲存路徑/預測'

• 訓練模型：

  首先，您可以在prediction/configs/baseline.py檔案中設定一些訓練參數。我們還在同一資料夾中提供模型的設定檔。

  如果您想使用您的 Wandb 帳戶，您可以使用您的 API 金鑰設定 WANDB_API_KEY 環境變數。

  可以使用以下命令來訓練模型：

   python train.py --config 'config_name'

  其中config_name是prediction/configs中不含.py檔名的設定檔的名稱。新的自訂配置也可以添加到此資料夾中。

  如果您在baseline.py中指定檢查點路徑，您可以：

• 如果 LOAD_WEIGHTS 設定為 True，則載入預訓練模型的權重。

• 如果 CONTINUE_TRAINING 也設定為 True，則從檢查點繼續訓練，這會維護優化器和調度器狀態。

接觸

如果您有任何疑問，請隨時透過 [email protected] 與我聯繫。