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=3.8conda activate pytorch-bevconda 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 # 3.8.16import torchtorch.__version__ # 1.10.1torch.version.cuda # 11.3torch.cuda.is_available() # Trueexit()
第二步:安装其它包
2.1 安装其它包
pip install Pillow==8.4.0 # 下载的时候容易报错,多尝试几次pip install tqdmpip install torchpack # 下载的时候容易报错,多尝试几次pip install mmcv==1.4.0 mmcv-full==1.4.0 mmdet==2.20.0pip install nuscenes-devkitpip install mpi4py==3.0.3 # 下载的时候容易报错,多尝试几次pip install numba==0.48.0pip install numpy==1.19
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-4.0.2.tar.bz2
首先去OpenMPI官网下载所需要的版本。例如,将最新版本 openmpi-4.0.2.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-4.0.2.tar.bz2
2.2.3 安装openmpi-4.0.2
mkdir software # 新建openmpi-4.0.2的安装目录cd openmpi-4.0.2 # 进入解压后的目录./configure --prefix=/home/user/software/openmpi-4.0.2 #./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-4.0.2/bin:$PATHexport LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/user/software/openmpi-4.0.2/lib:$LD_LIBRARY_PATHexport LIBRARY_PATH=/home/user/software/openmpi-4.0.2/lib:$LIBRARY_PATHexport INCLUDE=/home/user/software/openmpi-4.0.2/include:$INCLUDEexport MANPATH=/home/user/software/openmpi-4.0.2/share/man:$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-4.0.2和安装包openmpi-4.0.2.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
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
3.3 编译
cd bevfusionpython 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。
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 bevfusionpython 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
至此,BEVFusion的环境配置到此结束!感谢大家的观看!