自动驾驶-UniAD
更新时间：2025-08-01
模型介绍
UniAD是一个端到端的自动驾驶框架，通过整合感知、预测、决策和控制模块，实现全栈驾驶任务的协同优化，显著提升系统在复杂场景下的性能和安全性。
部署环境要求&最佳实践建议
| 部署要求 | 最佳实践 | |
|---|---|---|
| CPU | 8 | 建议按表单默认值及以上 |
| 内存 | 200G+ | 建议按表单默认值及以上 |
| GPU | 1~8卡 H20 | 建议4~8卡 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/UniAD
- 数据默认挂载路径：/mnt/dataset/autodrive
- 虚拟环境名：uniad_new
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=projects/configs/stage1_track_map/base_track_map.py
5# 设置训练使用gpu卡数，默认使用全部gpu
6export GPUS=$(nvidia-smi --query-gpu=gpu_name --format=csv,noheader | wc -l)
7# 设置训练结果保存路径
8export WORK_DIR=/root/workspace/UniAD/work_dir
9
10export TORCH_CUDA_ARCH_LIST=9.0
11export LD_LIBRARY_PATH=/root/anaconda3/envs/uniad_new/lib/python3.8/site-packages/torch/lib:$LD_LIBRARY_PATH
12export PATH=/root/cuda-12.2/bin/:$PATH
13export LD_LIBRARY_PATH=/root/cuda-12.2/lib64/:$LD_LIBRARY_PATH
14export CUDA_HOME=/root/cuda-12.2
15source /root/anaconda3/etc/profile.d/conda.sh
16conda activate uniad_new
17export NCCL_IB_GID_INDEX="3"
18
19export PYTHONPATH=/root/workspace/UniAD:$PYTHONPATH
20cd /root/workspace/UniAD && \
21rm -rf ./data && ln -s $DATA_PATH data
22
23NNODES=${WORLD_SIZE:-1}
24NODE_RANK=${RANK:-0}
25PORT=${MASTER_PORT:-29600}
26MASTER_ADDR=${MASTER_ADDR:-"127.0.0.1"}
27python -m torch.distributed.launch \
28 --nproc_per_node=$GPUS \
29 --master_addr=$MASTER_ADDR \
30 --master_port=$PORT \
31 --nnodes=$NNODES \
32 --node_rank=$NODE_RANK \
33 tools/train.py \
34 $CONFIG \
35 --launcher pytorch ${@:3} \
36 --deterministic \
37 --work-dir $WORK_DIR \
38 2>&1 | tee output.log2.2. 分步训练
分步进行训练任务，可以自定义训练相关参数信息。
2.2.1. 在环境变量中设置相关参数
若不修改默认配置，可跳过此步骤
Plain Text
1# 设置数据路径，nuscenes数据默认路径/mnt/dataset/autodrive
2export DATA_PATH=/mnt/dataset/autodrive
3# 设置训练配置文件
4export CONFIG=projects/configs/stage1_track_map/base_track_map.py
5# 设置训练使用gpu卡数，默认使用全部gpu
6export GPUS=$(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/UniAD/work_dir2.2.2. 激活模型运行虚拟环境
Plain Text
1export TORCH_CUDA_ARCH_LIST=9.0
2export LD_LIBRARY_PATH=/root/anaconda3/envs/uniad_new/lib/python3.8/site-packages/torch/lib:$LD_LIBRARY_PATH
3export PATH=/root/cuda-12.2/bin/:$PATH
4export LD_LIBRARY_PATH=/root/cuda-12.2/lib64/:$LD_LIBRARY_PATH
5export CUDA_HOME=/root/cuda-12.2
6source /root/anaconda3/etc/profile.d/conda.sh
7conda activate uniad_new
8export NCCL_IB_GID_INDEX="3"2.2.3. 启动模型训练
Plain Text
1export PYTHONPATH=/root/workspace/UniAD:$PYTHONPATH
2cd /root/workspace/UniAD && \
3rm -rf ./data && ln -s $DATA_PATH data
4
5NNODES=${WORLD_SIZE:-1}
6NODE_RANK=${RANK:-0}
7PORT=${MASTER_PORT:-29600}
8MASTER_ADDR=${MASTER_ADDR:-"127.0.0.1"}
9python -m torch.distributed.launch \
10 --nproc_per_node=$GPUS \
11 --master_addr=$MASTER_ADDR \
12 --master_port=$PORT \
13 --nnodes=$NNODES \
14 --node_rank=$NODE_RANK \
15 tools/train.py \
16 $CONFIG \
17 --launcher pytorch ${@:3} \
18 --deterministic \
19 --work-dir $WORK_DIR \
20 2>&1 | tee output.log查看训练结果
训练结果保存在$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/UniAD/work_dir
2export WORK_DIR=/root/workspace/UniAD/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