MotionNet 工程复现

Posted 2022-06-03 Darchan

MotionNet 工程复现

1. 下载工程和数据

1）通过下面的网站，注册下载software即可

https://www.merl.com/research/?research=license-request&sw=MotionNet

2）下载nusenes-mini的数据
参考：nuScenes介绍
主要包含内容如下：

Loading NuScenes tables for version v1.0-mini...
23 category,
8 attribute,
4 visibility,
911 instance,
12 sensor,
120 calibrated_sensor,
31206 ego_pose,
8 log,
10 scene,  **
404 sample, **
31206 sample_data,
18538 sample_annotation,
4 map

注解：

scene：场景-20秒的汽车行程片段
sample：样本-特定时间戳的场景的标注快照
sample_data：样本数据-从特定传感器采集的数据
sample_annotation：样本标注-我们感兴趣的目标的标注实例
instance：实例-枚举我们观察到的所有目标实例
category：类别-目标类别的分类法（例如车辆、人）
attribute：属性-在类别保持不变的情况下可以更改的实例的属性
visibility：可见性-从6个不同摄像头采集的所有图像中可见的像素部分
sensor：传感器-特定传感器类型
calibrated sensor：校准传感器-在特定车辆上校准的特定传感器
ego_pose：自主姿态-自主车辆载具在特定时间戳的姿态
log：日志—从中提取数据的日志信息
map：映射—从自顶向下的视图中存储为二进制语义掩码的映射数据

2. 安装依赖

依赖较少，前期先安装下面的基础包即可，后期缺少什么包现安装即可，参考后面的疑问解答。

CUDA >= 9.0
- Python 3
- pyquaternion, Matplotlib, PIL, numpy, cv2, tqdm (and other relevant packages which can be easily installed with pip or conda)
- PyTorch >= 1.1
- Note that, the MGDA-related code currently can only run on PyTorch 1.1

3. 运行

1）添加目录到python环境中

export PYTHONPATH=/home/cui/workspace/deepLearning/MotionNet:$PYTHONPATH
export PYTHONPATH=/home/cui/workspace/deepLearning/MotionNet/nuscenes-devkit/python-sdk:$PYTHONPATH

2）生成所需要的数据

cd data
python gen_data.py --root /home/cui/data/nuscenes/v1.0-mini/ --split train --savepath /home/cui/data/nuscenes/preprocess_data

参数说明：

--root：       数据存放地址
--split：      数据拆分类型，支持train/val/test
--savepath：   数据保存地址

生成过程中，会看到类似如下的打印信息

  >> Finish sample: 32, sequence 0
  >> Finish sample: 32, sequence 1
  >> Finish sample: 33, sequence 0

注意：生成过程比较慢，若遇到问题，可以参考以下第4部分的Q1-Q7。

3）训练生成的数据
此步骤可以省略，官方提供 预训练模型下载：multi_seq 和 multi_seq_MGDA

• 训练时空一致性loss模型

python train_multi_seq.py --data /data/nuScenes_preprocessed --batch 8 --nepoch 45 --nworker 4 --use_bg_tc --reg_weight_bg_tc 0.1 --use_fg_tc --reg_weight_fg_tc 2.5 --use_sc --reg_weight_sc 15.0 --log

• 训练带有MGDA框架模型

// 1. 新建一个logs文件夹
cd MotionNet
mkdir logs
// 2. 训练，模型保存在logs/train_multi_seq/最后一个文件夹内，如epoch_10.pth
python train_multi_seq_MGDA.py --data /home/cui/data/nuscenes/preprocess_data/ --batch 2 --nepoch 10 --nworker 4 --use_bg_tc --reg_weight_bg_tc 0.1 --use_fg_tc --reg_weight_fg_tc 2.5 --use_sc --reg_weight_sc 15.0 --reg_weight_cls 2.0 --log --logpath ./logs

注意：出现问题可以参考Q8、Q9

4）评估模型
先使用第一步构建test_data测试数据，再运行评估脚本 eval.py

python eval.py --data /home/cui/data/nuscenes/test_data/ --model model/model.pth --split test --log . --bs 1 --net MotionNet

注意：可能会遇到问题，参考Q11

5）可视化

1. 生成 .png 图像的预测结果

python plots.py --data /home/cui/data/nuscenes/v1.0-mini --version v1.0-mini --modelpath model/model.pth --net MotionNet --nframe 10 --savepath logs/gif

2. 将生成的.png合成.gif 或者 .mp4

// 生成gif，保存位置logs/gif文件夹下，需要优先生成.png文件
python plots.py --data /home/cui/data/nuscenes/v1.0-mini --version v1.0-mini --modelpath model/model.pth --net MotionNet --nframe 10 --savepath logs/gif --video --format gif
// 生成MP4，保存位置logs/mp4文件夹下，需要优先生成.png文件
python plots.py --data /home/cui/data/nuscenes/v1.0-mini --version v1.0-mini --modelpath model/model.pth --net MotionNet --nframe 10 --savepath logs/mp4 --video --format mp4

参数说明：

--modelpath 模型存放地址
--net       使用网络名称
--nframe    生成多少帧
--savepath  保存地址
--format    生成的格式 mp4或者gif

注意：生成MP4，可能会出现问题，参考下面第4部分Q10.

4. 运行过程中问题：

• Q1：使用data/gen_data.py 脚本生成训练数据时候，ModuleNotFoundError: No module named ‘nuscenes’
  解决：每一个终端都需要引入nuscenes-devkit工具包

export PYTHONPATH=/home/cui/workspace/deepLearning/MotionNet:$PYTHONPATH
export PYTHONPATH=/home/cui/workspace/deepLearning/MotionNet/nuscenes-devkit/python-sdk:$PYTHONPATH

• Q2：ModuleNotFoundError: No module named ‘pyquaternion’
  解决：安装pyquaternion

 pip install pyquaternion

• Q3：ModuleNotFoundError: No module named ‘cachetools’

 pip install cachetools

• Q4：AssertionError: Database version not found: /home/cui/data/nuscenes/v1.0-mini/v1.0-trainval
  解决：数据的version不对，因为使用的是mini的数据集，将gen_data.py 24行修改为，主要是version

nusc = NuScenes(version='v1.0-mini', dataroot=args.root, verbose=True)

• Q5：curr_scene = nusc.scene[scene_idx] ，IndexError: list index out of range
  解决：nusc.scene中的只包含10个list，而scene_idx达到411 超限，故在for scene_idx in res_scenes: 之后添加

if scene_idx > len(nusc.scene):
    continue

• Q6： AttributeError: type object ‘LidarPointCloud’ has no attribute ‘from_file_multisweep_bf_sample_data’
  解决：原因是在单步调试模式下，没有引入Q1中的环境变量，编辑单步配置(Edit Configurations)，添加Q1中的两行代码到Environment variables, 中间用；隔开，保存即可。

## 调整了一下代码中参数顺序，应该可以不调整
all_pc, all_times, trans_matrices = \\
LidarPointCloud.from_file_multisweep_bf_sample_data(nusc, curr_sample_data,
nsweeps_back=nsweeps_back, nsweeps_forward=nsweeps_forward, 
return_trans_matrix=True, min_distance=1.0)

• Q7：FileNotFoundError: [Errno 2] No such file or directory: ‘/home/cui/data/nuscenes/preprocess_data/2_0’
  解决：241行，会进行check_folder, 即文件夹检查，上面的目录下还未建立此文件夹。
  在home/cui/data/nuscenes/ 目录下建立名字为preprocess_data 的空文件夹即可。

• Q8： view size is not compatible with input tensor’s size and stride
  解决：
  参考：view size is not compatible with input tensor‘s size and stride
  用多卡训练的时候tensor不连续，即tensor分布在不同的内存或显存中。
  查找view，在前面加上contiguous()，如下train_multi_seq_MGDA.py文件，337行、466行

loss_disp = loss_disp.contiguous().view(map_shape[0], -1, map_shape[-3], map_shape[-2], map_shape[-1])

• Q9：RuntimeError: CUDA out of memory. Tried to allocate 640.00 MiB (GPU 0; 5.79 GiB total capacity; 2.84 GiB already allocated; 502.94 MiB free; 3.46 GiB reserved in total by PyTorch)
  解决：显卡显存太小，减少训练时的batch数目，–batch 2

• Q10： 使用脚本生成mp4时，未看到保存的结果，且缺少库
  解决：先安装imageio-ffmpeg库，plots.py修改如下两行代码，同时主要生成gif或者mp4需要先在同文件夹下生成.png图像，再执行生成gif或者mp4的脚本。

pip install imageio-ffmpeg
## plots.py修改内容
## 755行，添加
out_format = args.format
## 770行，修改为
gen_scene_prediction_video(args.savepath, args.savepath, out_format)

• Q11：使用eval脚本评估模型时候，实际数据test_data已经加载完成，但是执行评估脚本提示The number of test sequences: 0
  解决：原因在于库中的一个函数有小问题，判断是否为测试数据是路径，库中判断是否为文件，具体修改3处地方：
  参考：Problems training train_single_seq

## nuscenes_dataloader.py 文件中修改第171行：
if os.path.isdir(os.path.join(self.dataset_root, d))]
## nuscenes_dataloader.py 文件中修改第172、173行注释放开
seq_files = [os.path.join(seq_dir, f) for seq_dir in seq_dirs for f in os.listdir(seq_dir)
if os.path.isfile(os.path.join(seq_dir, f))]
## nuscenes_dataloader.py 文件中修改第175行：
self.seq_files = seq_files

顺利修改完，评估结果类似下图所示：

5. 结果