[!注意] 存储许多演示文件的 Amazon AWS S3 存储桶 argoai-argoverse 已遭到破坏。这些文件可能已损坏。引用此 S3 存储桶的文件已被修改，从该存储桶的所有检索操作都已被注释掉。请谨慎操作。

LaneGCN: 学习车道图表示用于运动预测

论文 | 幻灯片 | 项目页面 | ECCV 2020 口头报告 视频

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

conda create --name lanegcn python=3.7
conda activate lanegcn
conda install pytorch==1.5.1 torchvision cudatoolkit=10.2 -c pytorch # 代码发布时使用 pytorch=1.5.1

# 安装 argoverse api
pip install  git+https://github.com/argoai/argoverse-api.git

# 安装其他依赖
pip install scikit-image IPython tqdm ipdb

[可选但推荐] 安装 Horovod 和 mpi4py 用于分布式训练。Horovod 比 nn.DataParallel 更高效，比 nn.DistributedDataParallel 更易用。在安装 horovod 之前，请确保已安装 openmpi（sudo apt-get install -y openmpi-bin）。

pip install mpi4py

# 安装支持 GPU 的 horovod，这可能需要一些时间
HOROVOD_GPU_OPERATIONS=NCCL pip install horovod==0.19.4

# 如果你只有单个 GPU，为了代码兼容性请安装
pip install horovod

如果你在安装 horovod 时遇到任何问题，请参考 horovod github

准备数据：Argoverse 运动预测

你可以查看脚本，并下载处理好的数据，而不是运行数小时。

bash get_data.sh

训练

[推荐] 使用 Horovod 多 GPU 训练

# 单节点 4 个 GPU
horovodrun -np 4 -H localhost:4 python /path/to/train.py -m lanegcn

# 2 个节点，每个节点 4 个 GPU
horovodrun -np 8 -H serverA:4,serverB:4 python /path/to/train.py -m lanegcn

在 4 个 GPU (RTX 5000) 上使用 horovod 训练模型需要 8 小时。

我们还提供了训练日志供你调试。

[推荐] 在单 GPU 上使用 Horovod 进行训练/调试

python train.py -m lanegcn

测试

你可以从这里下载预训练模型

对测试集进行推理以提交结果

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

对验证集进行推理以获取指标

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

定性结果

标签（红色）预测（绿色）其他代理（蓝色）

定量结果

许可证

查看 LICENSE

引用

如果你使用我们的源代码，请考虑引用以下内容：

@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}
}

如果你对代码有任何问题，请提出 issue 并 @chenyuntc。