UniAD
[CVPR 2023 Best Paper Award] Planning-oriented Autonomous Driving
파일 탐색기
- FUNDING.yml
- Dockerfile
- DATA_PREP.md
- INSTALL.md
- TRAIN_EVAL.md
- nus-3d.py
- default_runtime.py
- base_bevformer.py
- base_track_map.py
- base_e2e.py
- __init__.py
- hungarian_assigner_3d.py
- hungarian_assigner_3d_track.py
- __init__.py
- detr3d_track_coder.py
- nms_free_coder.py
- __init__.py
- match_cost.py
- util.py
- __init__.py
- eval_hooks.py
- data_utils.py
- rasterize.py
- trajectory_api.py
- vector_map.py
- eval_utils.py
- map_api.py
- metric_utils.py
- nuscenes_eval.py
- nuscenes_eval_motion.py
- __init__.py
- formating.py
- loading.py
- occflow_label.py
- transform_3d.py
- __init__.py
- distributed_sampler.py
- group_sampler.py
- sampler.py
- __init__.py
- builder.py
- nuscenes_bev_dataset.py
- nuscenes_e2e_dataset.py
- nuscenes_eval.py
- __init__.py
- dice_loss.py
- mtp_loss.py
- occflow_loss.py
- planning_loss.py
- track_loss.py
- traj_loss.py
- __init__.py
- vovnet.py
- __init__.py
- hooks.py
- __init__.py
- adamw.py
- __init__.py
- bricks.py
- functional.py
- grid_mask.py
- visual.py
- __init__.py
- mmdet_train.py
- test.py
- train.py
- __init__.py
- base_motion_head.py
- modules.py
- motion_deformable_attn.py
- motion_optimization.py
- motion_utils.py
- __init__.py
- metrics.py
- modules.py
- utils.py
- __init__.py
- collision_optimization.py
- planning_metrics.py
- __init__.py
- seg_assigner.py
- seg_deformable_transformer.py
- seg_detr_head.py
- seg_mask_head.py
- seg_utils.py
- __init__.py
- modules.py
- track_instance.py
- tracker.py
- __init__.py
- bevformer_head.py
- motion_head.py
- occ_head.py
- panseg_head.py
- planning_head.py
- track_head.py
- __init__.py
- bevformer.py
- uniad_e2e.py
- uniad_track.py
- __init__.py
- custom_hooks.py
- __init__.py
- custom_base_transformer_layer.py
- decoder.py
- encoder.py
- multi_scale_deformable_attn_function.py
- spatial_cross_attention.py
- temporal_self_attention.py
- transformer.py
- __init__.py
- __init__.py
- __init__.py
- cvpr23_uniad_poster.png
- legend.png
- opendv_dataset.png
- pipeline.png
- sdc_car.png
- template.png
- vista.gif
- base_render.py
- bev_render.py
- cam_render.py
- bev_visual.py
- run.py
- utils.py
- __init__.py
- analyze_logs.py
- benchmark.py
- __init__.py
- uniad_nuscenes_converter.py
- create_data.py
- test.py
- train.py
- uniad_create_data.sh
- uniad_dist_eval.sh
- uniad_dist_train.sh
- uniad_slurm_eval.sh
- uniad_slurm_train.sh
- uniad_vis_result.sh
- .gitignore
- CITATION.cff
- CODE_OF_CONDUCT.md
- LICENSE
- README.md
- requirements.txt
# 설치 가이드
python사전 준비물
- Python 3.8+
- PyTorch 2.0.1+cu118
- MMDetection3D 1.0.0rc6
- CUDA 11.8
설치 및 실행 절차
pip install -r requirements.txt
프로젝트 파이썬 의존성 패키지를 설치합니다.
bash tools/uniad_create_data.sh
데이터셋을 전처리하고 변환합니다.
bash tools/uniad_dist_train.sh projects/configs/stage1_track_map/base_track_map.py 8
Stage 1(Perception) 모델을 분산 학습합니다.
bash tools/uniad_dist_train.sh projects/configs/stage2_e2e/base_e2e.py 8
Stage 2(End-to-End) 모델을 분산 학습합니다.
관련 영상 가이드
UniAD Video Demo
핵심 명령어
bash tools/uniad_dist_train.sh projects/configs/stage2_e2e/base_e2e.py 8
멀티 GPU 환경에서 UniAD 모델을 분산 학습합니다.
bash tools/uniad_dist_eval.sh projects/configs/stage2_e2e/base_e2e.py ckpts/uniad_base_e2e.pth 8
멀티 GPU 환경에서 학습된 UniAD 모델을 평가합니다.
python tools/train.py projects/configs/stage2_e2e/base_e2e.py
단일 GPU 또는 기본 설정으로 UniAD 모델 학습을 시작합니다.
python tools/test.py projects/configs/stage2_e2e/base_e2e.py ckpts/uniad_base_e2e.pth --eval bbox
학습된 UniAD 모델의 성능을 테스트합니다.
사전 학습된 체크포인트 파일은 ckpts/ 디렉토리에 다운로드하여 배치해야 합니다.
# CDN으로 사용하기
jsDelivrjsDelivr는 공개 GitHub 리포지토리를 별도 설정 없이 CDN으로 즉시 서빙합니다. 버전과 파일을 고르면 웹페이지에 바로 붙일 수 있는 링크와 예시 코드가 만들어집니다.
링크
예시
// repository documentation
Was this content helpful?
(0 ratings)