LaneGCN 开源项目安装与使用指南

LaneGCN 是一个基于图卷积网络（Graph Convolutional Network）的学习车道表示用于运动预测的项目，该工作在 ECCV 2020 上作为口头报告发表。本指南将指导您了解其目录结构、启动文件以及配置文件的相关信息。

1. 项目目录结构及介绍

项目的基本结构如下：

LaneGCN/
├── data.py      # 数据处理相关代码
├── get_data.sh  # 下载预处理数据的脚本
├── lanegcn.py   # LaneGCN 主要模型定义
├── layers.py    # 自定义图卷积等网络层
├── preprocess_data.py  # 数据预处理脚本
├── test.py      # 模型测试脚本
├── train.py     # 训练脚本
├── train1.py    # 可能是特定训练设置的变体
├── utils.py     # 辅助函数集合
├── README.md    # 项目说明文档
├── LICENSE      # 许可证文件
└── ...

• data.py: 负责数据加载和预处理逻辑。
• get_data.sh: 执行此脚本来下载并准备项目所需的数据集。
• lanegcn.py: 包含 LaneGCN 的核心网络架构。
• layers.py: 定义了用于 LaneGCN 的图神经网络层。
• preprocess_data.py: 提供数据预处理的工具，对于新数据的导入和处理至关重要。
• test.py: 用于对训练好的模型进行推理测试。
• train.py 和 train1.py: 分别为训练模型的主要脚本，后者可能是某个特定训练配置或实验的版本。
• utils.py: 含有各种通用辅助函数，如日志记录、计算指标等。
• README.md: 项目简介、安装步骤、运行示例等重要信息。
• LICENSE: 项目使用的许可证信息。

2. 项目的启动文件介绍

训练模型：

使用 train.py 或 train1.py 文件来训练模型。对于分布式训练，可以利用 horovodrun 工具。例如，在单节点4GPU环境下运行训练，命令如下：

horovodrun -np 4 -H localhost:4 python train.py -m lanegcn

测试模型：

测试已训练好的模型，使用 test.py 文件，并指定权重路径和数据分割。以提交测试集推理为例：

python test.py -m lanegcn --weight=/path/to/your/checkpoint --split=test

3. 项目的配置文件介绍

尽管该仓库没有明确指出单独的配置文件，但所有的配置参数直接通过命令行传递给训练和测试脚本。这些参数包括但不限于PyTorch版本要求、依赖库、训练时的超参数（如学习率、批次大小）、模型加载路径等。您可以通过调用脚本时添加相应的标志来定制配置，例如，设置GPU数量、选择模型保存路径等。

由于项目依赖项的管理主要通过环境变量和pip安装完成，建议查看 README.md 中的“Install Dependancy”部分，那里详细列出了安装所有必需软件包的步骤，包括特殊的依赖如Horovod，这对于分布式训练尤为重要。

请注意，由于原始仓库被归档且不推荐直接修改，上述操作应在本地副本中执行，同时考虑到仓库可能的更新或补丁。务必遵循最新的官方文档或仓库README中的指示。