BEVFusion环境配置

__情不知所起__

已于 2024-01-16 18:30:33 修改

阅读量4.5k

点赞数 20

文章标签：深度学习 pytorch python

于 2023-05-09 17:29:20 首次发布

本文链接：https://blog.csdn.net/m0_46556474/article/details/130561644

版权

BEVFusion环境配置

论文地址：BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation
项目地址：https://github.com/mit-han-lab/bevfusion

第一步：Pytorch环境搭建

1.1 安装pytorch环境

conda create -n pytorch-bev python=3.8
conda activate pytorch-bev
conda install pytorch==1.10.1 torchvision==0.11.2 torchaudio==0.10.1 cudatoolkit=11.3 -c pytorch

1.2 验证pytorch环境

python                     # 3.8.16
import torch
torch.__version__          # 1.10.1
torch.version.cuda         # 11.3
torch.cuda.is_available()  # True
exit()

第二步：安装其它包

2.1 安装其它包

pip install Pillow==8.4.0
pip install tqdm
pip install torchpack
pip install mmcv==1.4.0 mmcv-full==1.4.0 mmdet==2.20.0
pip install nuscenes-devkit
conda install mpi4py==3.0.3
pip install numba==0.48.0
pip install numpy==1.23.0
pip uninstall setuptools
conda install setuptools==58.0.4

2.2 安装OpenMPI

注意：OpenMPI是不能用pip和conda下载的，我这里主要需要参考这篇文章下载OpenMPI。

2.2.1 下载openmpi-4.0.4.tar.bz2

首先去OpenMPI官网下载所需要的版本。例如，将最新版本 openmpi-4.0.4.tar.bz2 文件放到你个人用户目录下的任一个文件夹。

2.2.2 解压安装包

tar -xjf openmpi-4.0.4.tar.bz2

2.2.3 安装openmpi-4.0.4

mkdir software    # 新建openmpi-4.0.4的安装目录
cd openmpi-4.0.4  # 进入解压后的目录
./configure --prefix=/home/user/software/openmpi-4.0.4  #./configure --prefix="安装目录所在的绝对路径"
make all install  # 安装全部

2.2.4 环境配置

vim ~/.bashrc  # 使用vim打开文件.bashrc，按i进入编辑状态

然后把下面的环境配置复制到.bashrc最后面，注意环境配置中的绝对路径需要与你的环境中的保持一致。

export PATH=/home/user/software/openmpi-4.0.4/bin:$PATH

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/user/software/openmpi-4.0.4/lib:$LD_LIBRARY_PATH

export LIBRARY_PATH=/home/user/software/openmpi-4.0.4/lib:$LIBRARY_PATH

export INCLUDE=/home/user/software/openmpi-4.0.4/include:$INCLUDE

export MANPATH=/home/user/software/openmpi-4.0.4/share/man:$MANPATH

2.2.5 保存环境

保存关闭.bashrc文件之后，使用以下命令保存环境变量。

source ~/.bashrc  # 使环境变量设置起作用

2.2.6 验证是否openmpi安装成功

重新新进入shell之后直接用以下命令来查看openmpi版本。

mpiexec -V  # 查看openmpi版本

注意：openmpi安装成功后可以直接删除安装文件夹/openmpi-4.0.4和安装包openmpi-4.0.4.tar.bz2。

第三步：安装BEVFusion

3.1 克隆项目地址

git clone https://github.com/mit-han-lab/bevfusion.git

3.2 修改 mmdet3d/ops/spconv/src/indice_cuda.cu 文件

把 mmdet3d/ops/spconv/src/indice_cuda.cu 文件里面所有的4096改为256

indice_cuda.cu修改1
indice_cuda.cu修改2

3.3 编译

cd bevfusion
python setup.py develop

第四步：下载Nuscenes数据集

4.1 官网下载Nuscenes数据集

在NuScenes 3D object detection dataset下载nuscenes数据集安装包，请记住下载检测数据集和地图扩展（用于BEV地图分割）。
当然，如果在官网下载麻烦的话，可以参考这篇博客使用百度网盘或者迅雷网盘进行下载。
Nuscenes datasets

4.2 官网下载Nuscenes数据集后的组织结构

在官网下载nuscenes数据集后，并在bevfusion文件夹下组织成以下所示的结构。

bevfusion
├── assets
├── configs
├── mmdet3d
├── tools
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   │   ├── basemap
│   │   │   ├── expansion
│   │   │   ├── prediction
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── v1.0-test
│   │   ├── v1.0-trainval

4.3 数据预处理

项目的数据预处理需要使用tools/create_data.py重新处理一次。

cd bevfusion
python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes
./tools/download_pretrained.sh  # 使用该脚本下载检查点，方便后续训练和测试

4.4 数据预处理后的组织结构

项目的数据预处理后，在bevfusion文件夹下将会组织成以下所示的结构。

mmdetection3d
├── assets
├── configs
├── mmdet3d
├── tools
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   │   ├── basemap
│   │   │   ├── expansion
│   │   │   ├── prediction
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── v1.0-test
│   │   ├── v1.0-trainval
│   │   ├── nuscenes_database
│   │   ├── nuscenes_infos_train.pkl
│   │   ├── nuscenes_infos_val.pkl
│   │   ├── nuscenes_infos_test.pkl
│   │   ├── nuscenes_dbinfos_train.pkl

第五步：训练

BEVFusion的单卡训练和测试需要修改一下tool/train文件、mmdet3d/apis/train.py文件和tools/test.py文件，参考这篇文章进行修改。

5.1 单卡训练

## 单卡训练
# 多模态（常用）
CUDA_VISIBLE_DEVICES=5 python tools/train_single_gpu.py \
	configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml \
	--model.encoders.camera.backbone.init_cfg.checkpoint pretrained/swint-nuimages-pretrained.pth \
	--load_from pretrained/lidar-only-det.pth \
	--run-dir output/bev_result/
# 图像
CUDA_VISIBLE_DEVICES=5 python tools/train_single_gpu.py \ 
	configs/nuscenes/det/centerhead/lssfpn/camera/256x704/swint/default.yaml \
	--model.encoders.camera.backbone.init_cfg.checkpoint pretrained/swint-nuimages-pretrained.pth \
	--run-dir output/image_result/
# 点云
CUDA_VISIBLE_DEVICES=5 python tools/train_single_gpu.py \ 
	configs/nuscenes/det/transfusion/secfpn/lidar/voxelnet_0p075.yaml \ 
	--run-dir output/lidar_result/

5.2 单卡测试

# 单卡测试（常用）
CUDA_VISIBLE_DEVICES=5 python tools/test_single_gpu.py \
	configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml \
	pretrained/bevfusion-det.pth --eval bbox

5.3 多卡训练

## 多卡训练
# 多模态
torchpack dist-run -np 8 python tools/train.py \
	configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml \
	--model.encoders.camera.backbone.init_cfg.checkpoint pretrained/swint-nuimages-pretrained.pth \
	--load_from pretrained/lidar-only-det.pth \
	--run-dir output/bev_result/
# 图像
torchpack dist-run -np 8 python tools/train.py \
	configs/nuscenes/det/centerhead/lssfpn/camera/256x704/swint/default.yaml \
	--model.encoders.camera.backbone.init_cfg.checkpoint pretrained/swint-nuimages-pretrained.pth \
	--run-dir output/image_result/
# 点云
torchpack dist-run -np 8 python tools/train.py \
	configs/nuscenes/det/transfusion/secfpn/lidar/voxelnet_0p075.yaml \
	--run-dir output/lidar_result/

5.4 多卡测试

## 多卡测试
# 多模态
torchpack dist-run -np 8 python tools/test.py \
	configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml \
	pretrained/bevfusion-det.pth --eval bbox

5.5 可视化

## 可视化
torchpack dist-run -np 1 python tools/visualize.py \
	configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml \
	--mode pred --checkpoint pretrained/bevfusion-det.pth --bbox-score 0.1 --out-dir output/bev_result/visualize

至此，BEVFusion的环境配置到此结束！感谢大家的观看！