Skip to content

Latest commit

 

History

History

PointPillar

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
models
models
 
 
run_scripts
run_scripts
 
 
test
test
 
 
DOCKERFILE
DOCKERFILE
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
run_docker.sh
run_docker.sh
 
 

README.md

PointPillar(PyTorch)

模型概述

该sample包含PYTORCH MODELZOO PointPillar的训练和推理的实现。

PointPillar网络结构GitHub链接可参考：[PointRCNN], [Part-A2-Net], [PV-RCNN], [Voxel R-CNN] and [PV-RCNN++].

支持情况

模型训练支持情况

Models Framework Supported MLU Supported Data Precision Multi-MLUs
PointPillar PyTorch MLU370-X8 FP32 Yes

模型推理支持情况

Models | Framework | Supported MLU | Supported Data Precision | Supported Infer Mode ----- | ----- | ----- | ----- | ----- | PointPillar | PyTorch1.9 | MLU370-S4/X4 | FP32 | cnnl |

默认参数配置

模型训练默认参数

Optimizer

模型默认优化器为adam_onecycle，以下为相关参数：

  • Momentum: 0.9
  • Learning Rate: 0.003
  • Weight decay: 0.01
  • Epoch: 20

环境依赖

  • Linux常见操作系统版本(如Ubuntu16.04，Ubuntu18.04，CentOS7.x等)，安装docker(>=v18.00.0)应用程序；
  • 服务器装配好寒武纪计算板卡MLU370-X8;
  • Cambricon Driver >=v4.20.6；
  • CNToolKit >=2.8.3;
  • CNNL >=1.10.2;
  • CNCL >=1.1.1;
  • CNLight >=0.12.0;
  • CNPyTorch >= 1.3.0;
  • 若不具备以上软硬件条件，可前往寒武纪云平台注册并试用@TODO

快速使用指南

件说明

  • run_scripts/ 包含一键训练和推理的shell脚本文件
  • models/ 包含原始模型仓库文件
    • pcdet 包括数据集加载文件和模型文件等
    • tools 包括train.py test.py demo.py scipts等文件
    • data 数据集的txt文件
    • requirements.txt安装依赖
    • setup.py编译pcdet包

准备数据集

下载数据集https://www.nuscenes.org/download ，并解压。包含的内容如下：

├── maps
├── nuscenes_dbinfos_10sweeps_withvelo.pkl
├── nuscenes_infos_10sweeps_train.pkl
├── nuscenes_infos_10sweeps_val.pkl
├── nuscenes_infos_temporal_train.pkl
├── nuscenes_infos_temporal_val.pkl
├── samples
├── sweeps
├── v1.0-trainval
└── v1.0-trainval_meta.tgz

指定数据集和模型权重路径：

export PYTORCH_TRAIN_DATASET=/path/to/dataset

环境准备

基于base docker image安装

1、导入镜像
##下载Cambricon PyTorch docker镜像
docker load -i xxx.tar.gz
2、启动测试容器（指定镜像名）（请自行指定数据集和权重挂载目录）
export IMAGE_NAME=YOUR_IMAGE_NAME
bash run_docker.sh [CONTAINER_NAME]
3、配置容器环境
source env.sh
source /torch/venv3/pytorch/bin/activate
pip install -r models/requirements.txt

使用Dockerfile准备环境

1、构建 docker 镜像

export IMAGE_NAME=demo_pointpillar
docker build --network=host -t $IMAGE_NAME -f DOCKERFILE ../../../../

2、创建并启动容器（请自行指定数据集和权重挂载目录）

docker run -it --ipc=host -v /data:/data -v /usr/bin/cnmon:/usr/bin/cnmon --device /dev/cambricon_ctl --privileged --name mlu_pointpillar --network=host $IMAGE_NAME
3、配置容器环境
source env.sh
source /torch/venv3/pytorch/bin/activate

一键执行训练脚本

Models Framework MLU Data Precision Cards Run
PointPillar PyTorch1.9 MLU370-X8 FP32 8 bash run_scripts/PointPillar_FP32_8MLU_Train.sh

** 一键执行推理脚本**

Models Framework MLU Data Precision Run
PointPillar PyTorch1.9 MLU370-S4 FP32 bash run_scripts/PointPillar_Infer.sh

免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。

Release_Notes

@TODO