自动驾驶-BEVDet
更新时间：2025-11-25
模型介绍
BEVDet：BEVDet是基于LSS提出的方法，实现从图像空间到BEV空间的视图变换，构建统一的鸟瞰图特征空间，用于视觉3D目标检测任务。
BEVDet的核心思想是将多相机图像特征转换到BEV空间中进行3D目标检测。其框架包括以下几个关键模块：
- 图像视角编码器（Image-view Encoder）：用于从输入图像中提取高级特征，包括一个主干网络（如ResNet或SwinTransformer）和一个特征融合模块（如FPN）。
- 视角变换器（View Transformer）：将图像视角特征转换为BEV特征。它通过预测深度图，并利用深度图将图像特征渲染到BEV空间。
- BEV编码器（BEV Encoder）：进一步对BEV特征进行编码，以提取更高级的语义信息。
- 任务特定头（Task-specific Head）：基于BEV特征进行3D目标检测，使用CenterPoint的检测头进行预测。
部署环境要求&最佳实践建议
| 部署要求 | 最佳实践 | |
|---|---|---|
| CPU | 按需 | 建议按表单默认值及以上 |
| 内存 | 按需 | 建议按表单默认值及以上 |
| GPU | 1~8卡 A800/H20 | 建议4~8卡 A800/H20 |
| CDS | 按需 | 按需 |
| 其它 | 如果更改了默认的数据集、存储挂载地址、代码地址，需要同时更改对应的脚本配置 | 若想获得最佳训练性能，建议将预置数据转储至PFS或CFS，转储方式见文末 |
使用说明
创建与登录开发机
根据部署环境要求成功创建开发机后，点击登录开发机，进入开发机webIDE，并打开VScode中的terminal
- 代码保存路径：/root/workspace/BEVDet-dev3.0
- 数据默认挂载路径：/mnt/dataset/autodrive
- 虚拟环境名：bevdet_h20
启动训练
- 在试用案例之前，请确保已挂载了案例所需的数据集，否则脚本无法正常运行，可在脚本内更改数据集地址配置
- 若想获得最佳训练性能，建议将预置数据转储至PFS或CFS，转储方式见文末
2.1 一键启动训练
可以通过脚本，一键启动（单机or多机）快速训练。
Plain Text
1# 设置数据路径，nuscenes数据默认路径/mnt/dataset/autodrive
2export DATA_PATH=/mnt/dataset/autodrive
3# 设置训练配置文件
4export CONFIG=configs/bevdet/bevdet-r50.py
5# 设置训练使用gpu卡数，默认使用全部gpu
6export GPUS=$(nvidia-smi --query-gpu=gpu_name --format=csv,noheader | wc -l)
7# 设置训练结果保存路径，默认/root/workspace/mmdetection3d/work_dir
8export WORK_DIR=/root/workspace/BEVDet-dev3.0/work_dir
9
10cd /root && source env.sh
11
12export PYTHONPATH=/root/workspace/BEVDet-dev3.0:$PYTHONPATH
13cd /root/workspace/BEVDet-dev3.0 && \
14rm -rf ./data && ln -sf $DATA_PATH ./data
15
16NNODES=${NNODES:-1}
17NODE_RANK=${NODE_RANK:-0}
18PORT=${PORT:-29500}
19MASTER_ADDR=${MASTER_ADDR:-"127.0.0.1"}
20
21PYTHONPATH="$(dirname $0)/..":$PYTHONPATH \
22
23python -m torch.distributed.launch \
24 --nnodes=$NNODES \
25 --node_rank=$NODE_RANK \
26 --master_addr=$MASTER_ADDR \
27 --nproc_per_node=$GPUS \
28 --master_port=$PORT \
29 tools/train.py \
30 $CONFIG \
31 --seed 0 \
32 --work-dir $WORK_DIR \
33 --launcher pytorch ${@:3} 2>&1 | tee output.log2.2. 分步训练
分步进行训练任务，可以自定义训练相关参数信息。
2.2.1. 在环境变量中设置相关参数
若不修改默认配置，可跳过此步骤
Plain Text
1# 设置数据路径，nuscenes数据默认路径/mnt/dataset/autodrive
2export DATA_PATH=/mnt/dataset/autodrive
3# 设置训练配置文件
4export CONFIG=configs/bevdet/bevdet-r50.py
5# 设置训练使用gpu卡数，默认使用全部gpu
6export GPUS=$(nvidia-smi --query-gpu=gpu_name --format=csv,noheader | wc -l)
7# 设置训练结果保存路径，默认/root/workspace/mmdetection3d/work_dir
8export WORK_DIR=/root/workspace/BEVDet-dev3.0/work_dir2.2.2. 激活模型运行虚拟环境
Plain Text
1cd /root && source env.sh 2.2.3. 启动模型训练
Plain Text
1export PYTHONPATH=/root/workspace/BEVDet-dev3.0:$PYTHONPATH
2cd /root/workspace/BEVDet-dev3.0 && \
3rm -rf ./data && ln -sf $DATA_PATH ./data
4
5NNODES=${NNODES:-1}
6NODE_RANK=${NODE_RANK:-0}
7PORT=${PORT:-29500}
8MASTER_ADDR=${MASTER_ADDR:-"127.0.0.1"}
9
10PYTHONPATH="$(dirname $0)/..":$PYTHONPATH \
11
12python -m torch.distributed.launch \
13 --nnodes=$NNODES \
14 --node_rank=$NODE_RANK \
15 --master_addr=$MASTER_ADDR \
16 --nproc_per_node=$GPUS \
17 --master_port=$PORT \
18 tools/train.py \
19 $CONFIG \
20 --seed 0 \
21 --work-dir $WORK_DIR \
22 --launcher pytorch ${@:3} 2>&1 | tee output.log查看训练结果
训练结果保存在$WORK_DIR下，包含训练日志以及模型权重文件，使用其他保存路径可以修改环境变量$WORK_DIR。
Plain Text
1# 设置训练结果保存路径，默认/root/workspace/mmdetection3d/work_dir
2export WORK_DIR=/root/workspace/mmdetection3d/work_dir可在路径下查看：
- 完整训练日志： output.log
- 最终模型权重：latest.pth
附： BOS数据转储PFS方式
- 挂载PFS或CFS
可以在创建或者更新开发机配置时，选择存储挂载，选择集群对应的PFS或者CFS，可自定义挂载路径
- 将预置数据（BOS）拷贝到对应的PFS或CFS路径
Plain Text
1#命令格式 cp -rv 源路径 目标路径
2cp -rv bos路径 PFS或CFS路径
3#命令示例 假设bos挂载地址为/mnt/dataset/autodrive PFS挂载地址为/mnt/pfs/urvmsq
4cp -rv /mnt/dataset/autodrive/ /mnt/pfs/urvmsq/- 转储后，需要更改配置里的数据集变量DATA_PATH地址为/mnt/pfs/urvmsq/autodrive/文件夹
评价此篇文章