ParkingE2E环境搭建以及数据训练

敢敢のwings

已于 2024-12-02 13:55:44 修改

阅读量2.1k

点赞数 24

CC 4.0 BY-SA版权

分类专栏： #端到端项目解读文章标签：人工智能机器学习

于 2024-08-29 13:09:56 首次发布

本文链接：https://blog.csdn.net/lovely_yoshino/article/details/141027956

#端到端项目解读专栏收录该内容

10 篇文章

订阅专栏

0. 简介

关于UCloud(优刻得)旗下的compshare算力共享平台
UCloud(优刻得)是中国知名的中立云计算服务商，科创板上市，中国云计算第一股。
Compshare GPU算力平台隶属于UCloud，专注于提供高性价4090算力资源，配备独立IP，支持按时、按天、按月灵活计费，支持github、huggingface访问加速。
使用下方链接注册可获得20元算力金，免费体验10小时4090云算力
https://www.compshare.cn/?ytag=GPU_lovelyyoshino_Lcsdn_csdn_display

最近读了秦通大佬的最近的端到端的论文《ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning》，对应的代码也在Github上开源了。这里最近受到优刻得的使用邀请，正好解决了我在大模型和自动驾驶行业对GPU的使用需求。UCloud云计算旗下的Compshare的GPU算力云平台。他们提供高性价比的4090 GPU，按时收费每卡2.6元，月卡只需要1.7元每小时，并附带200G的免费磁盘空间。暂时已经满足我的使用需求了，同时支持访问加速，独立IP等功能，而且关机不收费，项目搭建后可以快速的重启来完成代码运行。

在这里插入图片描述
而且在使用后可以写对应的博客，可以完成500元的赠金，完全可以满足个人对GPU的需求。

对应的环境搭建已经在《如何使用共享GPU平台搭建LLAMA3环境（LLaMA-Factory）》和《从BEVDET来学习如何生成trt以及如何去写这些C++内容》介绍过了。这一章节我们来看一下怎么在平台上运行秦通大佬最新的项目。

1. 环境安装

首先先安装miniconda和ros，之前ros讲过很多遍安装了，这里不展开讲了，这个项目主要依赖conda

  wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
  chmod +x Miniconda3-latest-Linux-x86_64.sh
  ./Miniconda3-latest-Linux-x86_64.sh

然后如果不存在conda则需要再bashrc中新增对应的path
在这里插入图片描述

然后下载代码并安装虚拟环境

git clone https://github.com/qintonguav/ParkingE2E.git
cd ParkingE2E

conda env create -f environment.yaml

然后进入conda，这里的python需要指向的是E2E的python版本

conda activate ParkingE2E
export PARKINGE2E_PYTHON_PATH=/home/ubuntu/miniconda3/envs/ParkingE2E/bin/python
cd catkin_ws
catkin_make -DPYTHON_EXECUTABLE=${PARKINGE2E_PYTHON_PATH}
source devel/setup.bash

如果出现下面的问题
在这里插入图片描述
则需要单独安装catkin_pkg

pip install catkin_pkg 
# 除此以外还需要安装一下opencv等包，用于训练，可视化使用
 pip install opencv-python tqdm pyquaternion netifaces click Cryptodome pytorch_lightning loguru shapely timm efficientnet-pytorch scipy tensorboardX

2. 运行程序

在开始运行之前，您需要下载预训练模型和测试数据。首先，下载这些文件后，您需要在 ./config/inference_real.yaml 中修改推理配置的 model_ckpt_path。

接下来，运行驱动程序：

roslaunch core driven_core.launch

在这里插入图片描述

当您第一次执行该命令时，会出现一个进度条（用于计算畸变图）。在四个（鱼眼相机）进度条完成后，您就可以进行后续操作。

首先，您需要下载预训练模型和测试数据。接着，您需要在 ./config/inference_real.yaml 文件中修改推理配置的 model_ckpt_path。使用 E2E 算法开始推理：

conda activate ParkingE2E
python ros_inference.py

首次执行该命令时，将下载 EfficientNet 预训练模型。

运行测试演示：

unzip demo_scene.zip
cd demo_scene
# scene_index = 1, 2, 3, 4, 5, 6, 7。例如：sh ./demo.sh 1
sh ./demo.sh ${scene_index}

在 rviz 中，您还可以通过 rviz 面板上的 2D 导航目标选择停车目标。
在这里插入图片描述

3. 训练模型

我们提供了演示 rosbag，以便您创建一个小型数据集并训练模型。

3.1 生成数据集

首先，您需要创建数据集：

python toolkit/dataset_generation.py --bag_file_path ${DEMO_BAG_PATH} --output_folder_path ./e2e_dataset

在这里插入图片描述

如果您使用自己的 rosbag，请确认 ./catkin_ws/src/core/config/params.yaml 中的 rosbag 主题，并修改相机配置。

3.2 训练您的模型

python train.py --config ./config/training_real.yaml

您可以在 ./config/training_real.yaml 中修改训练配置。
在这里插入图片描述