Dataset Viewer
Auto-converted to Parquet Duplicate
Search is not available for this dataset
The dataset viewer is not available for this split.
Server error while post-processing the rows. Please report the issue.
Error code:   RowsPostProcessingError

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

OnSite TJHEAD:训练数据与模型学习链路

本仓库整理本次 OnSite 提交模型实际使用的三个训练数据视图,包含 UniAD 的两个连续学习阶段和 VAD 的一个学习阶段。数据来自 CARLA 专家驾驶示范;模型训练使用 Bench2DriveZoo 的 B2D 数据接口。它们是本团队整理的训练数据视图,不是 Bench2Drive 官方 Full 数据的完整镜像。

1. Bench2Drive 数据与训练流程

CARLA 场景/路线与专家闭环示范
               ↓
六路相机图像 + 车辆/目标状态与监督标签
               ↓
B2D 信息 PKL + 训练起点清单
               ↓
加载官方 Base 或已训练父模型 → 模型微调
               ↓
保存并选定 checkpoint
               ↓
CARLA / Leaderboard 闭环运行 → OnSite 评分

训练起点用于指定哪些时刻参与训练;历史信息与未来监督仍从原连续序列读取。保留原标注、command、未来有效性掩码及训练起点清单,不重新筛帧或去重改变原训练曝光。

2. 三个数据包

数据包 实际学习阶段 路线数 物理片段 信息记录 不同训练起点 每轮曝光 六路相机图像
D14-v3.zip UniAD Base → U021-M4-1 19 21 2,412 2,157 2,157 14,472
D20-v2.zip U021-M4-1 epoch8 → U021-M8-1 20 22 6,268 2,740 3,841 30,552
D17-v6.zip VAD Base → V016-M6-1 19 28 5,025 3,082 4,040 22,710

“信息记录”包含训练起点及历史/未来支持;“不同起点”是不同物理时刻;“曝光”是模型每轮按清单看到的样本次数,可能重复。D17保留6605、6606原片段的三倍曝光。数据视图的逻辑片段数与物理录制数可以不同。

3. 模型学习链路与训练设置

UniAD:官方 Base → D14-v3 / U021-M4-1 epoch8 → D20-v2 / U021-M8-1 epoch4
VAD:  官方 Base → D17-v6 / V016-M6-1 epoch8
模型 / 数据阶段 初始化 checkpoint 可训练范围 可训练参数 / 占比 冻结范围 学习率与调度 GPU / 每卡batch 训练预算 → 选定checkpoint
UniAD / D14-v3 官方 UniAD-Base MotionFormer最后两层、相关轨迹分支及规划头 10,453,315 / 7.93% 其余模块冻结 1e-4余弦下降至2e-5 4 × RTX4090 / 1 10轮 → U021-M4-1 epoch8,4,320次更新
UniAD / D20-v2 U021-M4-1 epoch8 完整原生 motion_head、planning_head 17,394,371 / 13.20% 图像、BEV、跟踪、地图、occupancy冻结 原可训练组1e-5→2e-6;新解冻组2e-6→4e-7;100步线性warmup 7 × RTX4090 / 1 6轮 → U021-M8-1 epoch4,本阶段2,196次更新
VAD / D17-v6 官方 VAD-Base 原生Motion与Planning的15组模块,保持原生输出分支 4,687,317 / 8.03% 图像backbone/neck、BEV、检测与地图感知冻结;冻结模块保持eval 1e-4余弦下降至2e-5,无warmup 3 × RTX4090、1 × A100 / 1 10轮 → V016-M6-1 epoch8,8,080次更新

VAD可训练的15组模块:motion_decoder、motion_map_decoder、traj_branches、traj_cls_branches、motion_mode_query、pos_mlp_sa、pos_mlp、agent_fus_mlp、lane_encoder、ego_agent_decoder、ego_map_decoder、ego_query、ego_agent_pos_mlp、ego_map_pos_mlp、ego_fut_decoder。

各阶段新建AdamW,不继承父模型optimizer;weight decay 0.01,梯度裁剪35,关闭特征缓存。每阶段epoch独立计数,预算与选定checkpoint分别列出。后续epoch不作为已选定权重的学习链路。

UniAD最终阶段从已经学习D14的U021-M4-1 epoch8起步。VAD直接从官方Base学习D17,提交V016-M6-1 epoch8,没有经过M9阶段。

本次提交模型 数据学习链路 完整B卷 Q 加权占比
UniAD-U021-M8-1 epoch4 Base → D14-v3 → D20-v2 20/20 56.51 50%
VAD-V016-M6-1 epoch8 Base → D17-v6 20/20 61.44 50%

加权成绩:56.51 × 50% + 61.44 × 50% = 58.98。两模型分别使用自己的数据视图与checkpoint,原始完整评测记录随独立提交包提供。

4. GPU耗时:RTX4090与A100分开统计

每个型号的用量分别计算:该型号GPU-hours = 该型号卡数 × 本阶段训练墙钟小时。RTX4090与A100不混合求和,也不进行等效算力折算。

到选定checkpoint的用量

模型 / 数据阶段 选定epoch 训练墙钟时间 RTX4090卡数 RTX4090 GPU-hours A100卡数 A100 GPU-hours
UniAD / D14-v3 8 3.92小时 4 15.69 0 —
UniAD / D20-v2 4 2.16小时 7 15.09 0 —
VAD / D17-v6 8 3.52小时 3 10.56 1 3.52

UniAD两个连续学习阶段合计使用 30.78 RTX4090 GPU-hours。两模型选定checkpoint的全部学习阶段,分别累计 41.34 RTX4090 GPU-hours、3.52 A100 GPU-hours;不另列混合总值。

已实际完成的完整训练用量

模型 / 数据阶段 完成epoch 训练墙钟时间 RTX4090 GPU-hours A100 GPU-hours
UniAD / D14-v3 10 4.90小时 19.61 —
UniAD / D20-v2 6 3.24小时 22.68 —
VAD / D17-v6 10 4.40小时 13.19 4.40

实际全部完整训练按型号分别累计 55.49 RTX4090 GPU-hours、4.40 A100 GPU-hours。完整训练费用含选定checkpoint之后的训练,不能全部算进提交权重的学习链路。

计时边界为正式日志 Start running 到对应checkpoint创建,包括训练期间加载和保存,不含官方Base预训练、预检、采集、评测与传输。GPU-hours是分配时长,不是利用率积分。精确秒数与型号分项见 GPU耗时.json。

5. 解压结构与使用

每份ZIP包含独立数据根目录,例如:

D14-v3/
├── data/
│   ├── infos/
│   │   ├── b2d_infos_train.pkl
│   │   └── b2d_map_infos.pkl
│   └── bench2drive/
│       ├── v1/             # 原连续示范的六路相机图像
│       └── maps/           # 地图资源
├── train/anchor_selection.json
├── source_manifest.json   # 原版数据清单
├── PACKAGE_MANIFEST.json
├── PACKAGE_README.txt
└── SHA256SUMS.txt

模型使用六路RGB视觉输入,不需要激光雷达或毫米波雷达传感器输入。PKL提供训练监督、相机标定及车辆状态等信息;保留地图或目标监督不代表增加雷达输入。D20-v2保留真实partial-future mask,不应把所有样本都视为完整3秒有效未来。历史与未来支持信息不应随训练起点重新裁剪。

独立提交包的目录与用途:

目录 内容与用途
01_scores/ 两模型各20条B卷原始成绩、逐场景表与汇总
02_training/ 实际训练代码、配置、记录、推理快照与训练复现入口
02_training/init_weights/ 初始化权重:UniAD-U021-M4-1_epoch8.pth和VAD-Base.pth
03_weights/ 提交权重:UniAD-U021-M8-1_epoch4.pth和VAD-V016-M6-1_epoch8.pth
04_datasets/ 三个数据视图的清单、起点配置与下载地址;完整数据独立存于本仓库
05_docs/ 本README、环境与JSON校验证据,说明文档统一保留一份README

初始化权重用于开始微调,提交权重用于最终评测,两类用途不同。复现UniAD最终D20阶段时加载D14父权重;从Base重走完整UniAD链路时,应先另行获取官方UniAD-Base,再按历史D14配置重建父阶段。当前init_weights中提供的是已训练的D14父权重,没有另放官方UniAD-Base。

数据仓库保存数据与说明,训练代码及权重位于独立提交包。UniAD环境为Python3.8.20/PyTorch2.0.0+cu118,VAD为Python3.8.20/PyTorch2.1.2+cu118;CUDA算子按对应Zoo环境编译。

6. 完整性校验

三个归档的大小及SHA256:

文件 大小(十进制) SHA256
D14-v3.zip 0.855 GB 05a397ba1cc0b1f43f6780ffd2cde7fc742fb62b6ab8277a88595a0b9132dca1
D20-v2.zip 1.882 GB 5a5ad6a70e5899c709a1b2b04cb461a45444037509e5d223b26226596c2d9b18
D17-v6.zip 1.304 GB 0337454b2920e453017ff7a839973184fd14efd8547be3e7edbfc43e267c831d

下载后可使用对应 .zip.sha256 验证压缩包;解压后进入数据目录运行:

sha256sum -c SHA256SUMS.txt

D14-v3的训练info、地图info和起点清单与服务器2实际训练源SHA256一致,全部相机及地图负载与经核验的原提交归档逐文件一致。原始标签、command和起点清单保持字节不变。详细统计见 DATASETS.json,D14验收记录见 D14-v3_校验记录.json。

D17数据包统一名称为 D17-v6.zip,解压目录为 D17-v6/。这次名称整理不改变训练图像、地图、PKL标注或训练起点;实际历史训练记录保留当时的文件标识用于溯源。

Downloads last month
18