PETRV2-BEV从零开始：星图AI平台GPU算力适配与分布式训练入门-编程阁

PETRV2-BEV从零开始：星图AI平台GPU算力适配与分布式训练入门

1. 环境准备与快速部署

1.1 激活Paddle3D环境

首先确保你已经安装了conda环境管理工具。我们将使用预先配置好的paddle3d_env环境：

conda activate paddle3d_env

这个环境已经包含了运行PETRV2-BEV所需的所有基础依赖。如果你还没有这个环境，可以参考PaddlePaddle官方文档进行安装配置。

1.2 下载预训练权重

PETRV2-BEV提供了预训练好的模型权重，我们可以直接下载使用：

wget -O /root/workspace/model.pdparams https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams

这个权重文件大约1.2GB，下载速度取决于你的网络状况。建议在星图AI平台的GPU实例上执行这个操作，通常能获得更快的下载速度。

2. 数据集准备与处理

2.1 下载nuscenes v1.0-mini数据集

为了快速验证模型效果，我们先使用mini版本的数据集：

wget -O /root/workspace/v1.0-mini.tgz https://www.nuscenes.org/data/v1.0-mini.tgz mkdir -p /root/workspace/nuscenes tar -xf /root/workspace/v1.0-mini.tgz -C /root/workspace/nuscenes

这个mini数据集约3.6GB，包含了完整的nuscenes数据格式但规模更小，适合快速验证和调试。

2.2 准备数据集标注

PETRV2-BEV需要特定格式的标注信息，我们可以使用工具脚本进行转换：

cd /usr/local/Paddle3D rm /root/workspace/nuscenes/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos.py --dataset_root /root/workspace/nuscenes/ --save_dir /root/workspace/nuscenes/ --mode mini_val

这个过程会生成训练所需的标注文件，大约需要1-2分钟完成。在星图AI平台的GPU实例上，这个步骤通常会更快。

3. 模型训练与验证

3.1 初始精度测试

在开始训练前，我们先测试预训练模型在mini数据集上的表现：

python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/

你会看到类似下面的输出，展示了模型在不同指标上的表现：

mAP: 0.2669 mATE: 0.7448 mASE: 0.4621 mAOE: 1.4553 mAVE: 0.2500 mAAE: 1.0000 NDS: 0.2878 Eval time: 5.8s

3.2 开始模型训练

现在我们可以开始训练模型了。在星图AI平台上，我们可以充分利用GPU算力加速训练：

python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval

关键参数说明：

batch_size: 根据GPU显存调整，星图AI平台的高端GPU可以尝试更大的batch
log_interval: 控制日志输出频率
save_interval: 每隔多少epoch保存一次模型

3.3 监控训练过程

我们可以使用VisualDL来实时监控训练曲线：

visualdl --logdir ./output/ --host 0.0.0.0

为了在本地查看，需要设置端口转发：

ssh -p 31264 -L 0.0.0.0:8888:localhost:8040 root@gpu-09rxs0pcu2.ssh.gpu.csdn.net

然后在浏览器中访问localhost:8888就能看到实时的训练曲线。

4. 模型导出与应用

4.1 导出推理模型

训练完成后，我们需要将模型导出为推理格式：

rm -rf /root/workspace/nuscenes_release_model mkdir -p /root/workspace/nuscenes_release_model python tools/export.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model output/best_model/model.pdparams \ --save_dir /root/workspace/nuscenes_release_model

导出的模型可以直接用于部署，体积会比训练模型小很多。

4.2 运行演示程序

最后，我们可以运行demo程序查看模型的实际效果：

python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes

这个demo会展示模型在测试数据上的检测效果，包括3D边界框预测等可视化结果。

5. 进阶：XTreme1数据集训练[可选]

如果你想尝试更大规模的数据集，可以按照以下步骤使用XTreme1数据集：

5.1 准备XTreme1数据集

cd /usr/local/Paddle3D rm /root/workspace/xtreme1_nuscenes_data/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos_from_xtreme1.py /root/workspace/xtreme1_nuscenes_data/

5.2 训练XTreme1数据集

python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/xtreme1_nuscenes_data/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval