QCNet 项目安装和配置指南

QCNet 项目安装和配置指南

QCNet [CVPR 2023] Query-Centric Trajectory Prediction 项目地址: https://gitcode.com/gh_mirrors/qc/QCNet

1. 项目基础介绍和主要编程语言

项目介绍

QCNet 是一个用于轨迹预测的开源项目，由 Zikang Zhou 等人开发。该项目在 CVPR 2023 中被接受，并在 Argoverse 1 和 Argoverse 2 的单代理和多代理运动预测基准中排名第一。QCNet 提供了一个优雅、高性能和可扩展的框架，用于边缘/联合多代理轨迹预测。

主要编程语言

QCNet 项目主要使用 Python 编程语言。

2. 项目使用的关键技术和框架

关键技术

• 场景编码器：具有空间中的旋转-平移不变性和时间中的平移不变性，支持流式处理。
• 两阶段 DETR 风格的轨迹解码器：促进多模态和长期预测。

主要框架

• PyTorch：用于深度学习模型的构建和训练。
• PyTorch Geometric (PyG)：用于处理图结构数据。
• PyTorch Lightning：用于简化训练过程的管理。

3. 项目安装和配置的准备工作和详细安装步骤

准备工作

在开始安装之前，请确保您的系统满足以下要求：

• Python 3.7 或更高版本
• CUDA 11.0 或更高版本（如果使用 GPU）
• Git

安装步骤

步骤 1：克隆项目仓库

首先，使用 Git 克隆 QCNet 项目到您的本地机器：

git clone https://github.com/ZikangZhou/QCNet.git
cd QCNet

步骤 2：创建并激活 Conda 环境

接下来，创建一个新的 Conda 环境并激活它。您可以使用项目提供的 environment.yml 文件来配置环境：

conda env create -f environment.yml
conda activate QCNet

如果您更喜欢手动配置环境，请确保安装以下依赖项：

conda install pytorch torchvision torchaudio cudatoolkit=11.0 -c pytorch
pip install torch-geometric pytorch-lightning

步骤 3：安装 Argoverse 2 API 并下载数据集

按照 Argoverse 2 用户指南安装 Argoverse 2 API 并下载 Argoverse 2 运动预测数据集。

步骤 4：训练和评估模型

您可以使用以下命令来训练和评估模型：

训练模型

python train_qcnet.py --root /path/to/dataset_root/ --train_batch_size 4 --val_batch_size 4 --test_batch_size 4 --devices 8 --dataset argoverse_v2 --num_historical_steps 50 --num_future_steps 60 --num_recurrent_steps 3 --pl2pl_radius 150 --time_span 10 --pl2a_radius 50 --a2a_radius 50 --num_t2m_steps 30 --pl2m_radius 150 --a2m_radius 150

验证模型

python val.py --model QCNet --root /path/to/dataset_root/ --ckpt_path /path/to/your_checkpoint.ckpt

测试模型

python test.py --model QCNet --root /path/to/dataset_root/ --ckpt_path /path/to/your_checkpoint.ckpt

注意事项

• 首次运行训练脚本时，数据预处理可能需要几个小时。
• 训练过程中，检查点将自动保存在 lightning_logs/ 目录中。
• 如果计算资源有限，可以调整批量大小和设备数量，但请确保总批量大小为 32 以重现结果。

通过以上步骤，您应该能够成功安装和配置 QCNet 项目，并开始训练和评估模型。

QCNet [CVPR 2023] Query-Centric Trajectory Prediction 项目地址: https://gitcode.com/gh_mirrors/qc/QCNet