CenterPoint源码版+Det3D

 一、环境基本要求

显卡：4090&2080ti

CUDA=11.1

python=3.8 （不重要，python3.7，python3.9都行）

torch=1.9.0+cu111

torchvision=0.10.0+cu111

spconv-cu111=1.2.1

二、相关文件

所有相关的安装文件都放到这里了

链接：https://pan.baidu.com/s/1gbDuPizxke9crH1nFkCNOQ?pwd=6666 

  三、环境搭建

1、配置CenterPoint环境

（1）创建虚拟环境（无需安装包，Anconda自动安装python）：

conda create -n centerpoint python=3.8

（2）激活环境

 conda activate centerpoint

 （3）安装torch、torchvision

安装说明：推荐本地安装，否则pip会不小心安装成cpu版本。

①下载文件

找到以下文件夹，放着torch、torchvision安装包。

②安装

使用pip指令实现本地安装：

pip install torch-1.9.0+cu111-cp38-cp38-linux_x86_64.whl torchvision-0.10.0+cu111-cp38-cp38-linux_x86_64.whl

③测试

先输入python进入环境，输入以下指令：

import torch    # 如正常则静默
torch.__version__ #查看torch版本
import torchvision
torchvision.__version__ #查看torchvision版本
torch.cuda.is_available() #正常的话返回“True”
a = torch.Tensor([1.])    # 如正常则静默
a.cuda()    # 如正常则返回"tensor([ 1.], device='cuda:0')"
from torch.backends import cudnn # 如正常则静默
cudnn.is_acceptable(a.cuda())    # 如正常则返回 "True"

显示可以正常使用：

​

  ④官方下载网站

如果不想用百度云，下面是官方下载网站：

torch下载网站：https://download.pytorch.org/whl/torch_stable.html

 torch 1.9.0+cu111:https://download.pytorch.org/whl/cu111/torch-1.9.0%2Bcu111-cp38-cp38-linux_x86_64.whl

torchvision 0.10.0+cu111:https://download.pytorch.org/whl/cu111/torchvision-0.10.0%2Bcu111-cp38-cp38-linux_x86_64.whl 

---

 （4）安装spconv-1.2.1

这里只能采用本地安装，因为pip不提供spconv2.0以下的安装方式。

进入到spconv文件夹下，执行：

python setup.py bdist_wheel

cd ./dist && pip install *

注意最后要进入dist文件夹下安装whl文件。​

（5）安装det3d

将det3d-master放在CenterPoint文件夹下

在此之前，请将CenterPoint-master/det3d的文件拷贝到/det3d-master/det3d中进行合并+替换。

​

在/det3d-master主目录下，执行指令：

安装apex

git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./

安装nuscenes-devkit

pip install nuscenes-devkit

 安装第三方库

pip install -r requirements.txt

安装det3d

python setup.py build develop

​

 （6）安装CenterPoint

进入到CenterPoint主文件夹下：

git clone https://github.com/tianweiy/CenterPoint.git
cd CenterPoint-master

下载第三方库

pip install -r requirements.txt

# add CenterPoint to PYTHONPATH by adding the following line to ~/.bashrc (change the path accordingly)
export PYTHONPATH="${PYTHONPATH}:PATH_TO_CENTERPOINT"

安装cuda拓展

首先先将/CenterPoint/det3d/与原来的/det3d-master/det3d合并：

​

然后执行以下命令： 

export PATH=/usr/local/cuda-10.0/bin:$PATH
export CUDA_PATH=/usr/local/cuda-10.0
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH

# Rotated NMS 
cd ROOT_DIR/det3d/ops/iou3d_nms
python setup.py build_ext --inplace

# Deformable Convolution (Optional and only works with old torch versions e.g. 1.1)
cd ROOT_DIR/det3d/ops/dcn
python setup.py build_ext --inplace

前四句是为了确保cuda环境可以正常调用，后面四句是为了安装NMS和Deformable DETR的cuda版本，这里要根据自己的目录更改ROOT_DIR哦，这里正常来说应该是/CenterPoint/det3d-master/det3d/。

​

如果期间碰到AT_CHECK的问题，参考我后面写的问题汇总。

2、生成数据集

（1）生成

首先将数据集文件整理如下：

# For nuScenes Dataset         
└── NUSCENES_DATASET_ROOT
       ├── samples       <-- key frames
       ├── sweeps        <-- frames without annotation
       ├── maps          <-- unused
       ├── v1.0-trainval <-- metadata

然后在/CenterPoint文件夹下执行指令（注意对应好文件路径）： 

# nuScenes
python tools/create_data.py nuscenes_data_prep --root_path=NUSCENES_TRAINVAL_DATASET_ROOT --version="v1.0-trainval" --nsweeps=10

最后生成的文件目录大致如下：

# For nuScenes Dataset 
└── CenterPoint
       └── data    
              └── nuScenes 
                     ├── samples       <-- key frames
                     ├── sweeps        <-- frames without annotation
                     ├── maps          <-- unused
                     |── v1.0-trainval <-- metadata and annotations
                     |── infos_train_10sweeps_withvelo_filter_True.pkl <-- train annotations
                     |── infos_val_10sweeps_withvelo_filter_True.pkl <-- val annotations
                     |── dbinfos_train_10sweeps_withvelo.pkl <-- GT database info files
                     |── gt_database_10sweeps_withvelo <-- GT database 

如果本次打包完成后，数据集位置尽量不要再次变动 ，否则可能在训练或测试时报错。

（2）创建软连接

可以将提前生成好的数据集软连接到当前文件夹下：

sudo ln -s /media/xd/hpc/data/nuScene-ceneterformer/v1.0-mini/ /home/xd/xyy/MVP-main/CenterPoint/data/nuScenes

​

3、训练&评估&tracking

（1）training

使用以下命令启动使用4个gpu的分布式训练。模型和日志将被保存到“work_dirs/CONFIG_NAME”

python -m torch.distributed.launch --nproc_per_node=4 ./tools/train.py CONFIG_PATH

​

（2）testing

对于4个gpu的分布式测试，

python -m torch.distributed.launch --nproc_per_node=4 ./tools/dist_test.py CONFIG_PATH --work_dir work_dirs/CONFIG_NAME --checkpoint work_dirs/CONFIG_NAME/latest.pth 

对于使用单个gpu进行测试并查看推断时间，

python ./tools/dist_test.py CONFIG_PATH --work_dir work_dirs/CONFIG_NAME --checkpoint work_dirs/CONFIG_NAME/latest.pth --speed_test 

 （3）tracking

您可以在/configs/nusc/README.md中找到检测文件。下载检测文件后，您可以简单地运行：

# val set 
python tools/nusc_tracking/pub_test.py --work_dir WORK_DIR_PATH  --checkpoint DETECTION_PATH  

# test set 
python tools/nusc_tracking/pub_test.py --work_dir WORK_DIR_PATH  --checkpoint DETECTION_PATH  --version v1.0-test  --root data/nuScenes/v1.0-test    

四、问题汇总

https://blog.csdn.net/weixin_44013732/article/details/133203485https://blog.csdn.net/weixin_44013732/article/details/133203485