快速部署在星图AI平台训练PETRV2-BEV模型支持NuScenes数据集1. 环境准备与快速部署1.1 激活Paddle3D环境首先需要确保已经创建并激活了Paddle3D的conda环境conda activate paddle3d_env如果尚未创建该环境建议先安装Miniconda或Anaconda然后按照Paddle3D官方文档创建环境。1.2 验证环境依赖检查关键依赖是否安装正确python -c import paddle; print(paddle.__version__)推荐使用PaddlePaddle 2.5版本确保能够支持PETRV2模型的所有功能。2. 数据与模型准备2.1 下载预训练权重PETRV2模型提供了在完整NuScenes数据集上预训练的权重我们可以直接下载使用wget -O /root/workspace/model.pdparams https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams这个预训练模型使用了VoVNet作为主干网络并采用了GridMask数据增强策略输入分辨率为800×320。2.2 获取NuScenes数据集为了快速验证模型效果我们使用NuScenes的mini版本数据集wget -O /root/workspace/v1.0-mini.tgz https://www.nuscenes.org/data/v1.0-mini.tgz mkdir -p /root/workspace/nuscenes tar -xf /root/workspace/v1.0-mini.tgz -C /root/workspace/nuscenes解压后数据集目录结构应该包含以下关键文件夹samples/ - 包含关键帧的传感器数据sweeps/ - 包含中间帧的传感器数据maps/ - 包含高清地图数据v1.0-mini/ - 包含元数据JSON文件3. 模型训练全流程3.1 准备数据集标注PETRV2需要特定格式的标注文件运行以下命令生成cd /usr/local/Paddle3D rm /root/workspace/nuscenes/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos.py --dataset_root /root/workspace/nuscenes/ --save_dir /root/workspace/nuscenes/ --mode mini_val这个脚本会生成两个关键文件petr_nuscenes_annotation_train.pklpetr_nuscenes_annotation_val.pkl3.2 初始模型评估在开始训练前我们先评估预训练模型在mini数据集上的表现python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/预期会看到类似下面的输出mAP: 0.2669 mATE: 0.7448 mASE: 0.4621 mAOE: 1.4553 mAVE: 0.2500 mAAE: 1.0000 NDS: 0.2878 Eval time: 5.8s3.3 启动模型训练使用以下命令开始训练过程python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval关键参数说明epochs: 训练总轮数可根据实际情况调整batch_size: 批大小受GPU显存限制log_interval: 每隔多少步打印一次日志save_interval: 每隔多少轮保存一次模型do_eval: 是否在训练过程中进行评估3.4 监控训练过程使用VisualDL工具可以实时监控训练过程visualdl --logdir ./output/ --host 0.0.0.0如果是在远程服务器上训练可以通过SSH端口转发在本地查看ssh -p 31264 -L 0.0.0.0:8888:localhost:8040 rootgpu-09rxs0pcu2.ssh.gpu.csdn.net然后在本地浏览器访问 http://localhost:8888 即可查看训练曲线。4. 模型导出与推理4.1 导出推理模型训练完成后将模型导出为推理格式rm -rf /root/workspace/nuscenes_release_model mkdir -p /root/workspace/nuscenes_release_model python tools/export.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model output/best_model/model.pdparams \ --save_dir /root/workspace/nuscenes_release_model导出的模型包含三个文件inference.pdmodel: 模型结构定义inference.pdiparams: 模型参数inference.yaml: 模型配置4.2 运行可视化推理最后我们可以运行DEMO脚本查看模型的实际检测效果python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes这个脚本会加载测试集中的样本生成3D检测结果的可视化图像包括原始相机图像上的2D投影框BEV视角下的3D检测框各类别的置信度分数5. 进阶技巧与优化建议5.1 学习率调整策略对于小数据集训练建议采用更细致的学习率调度# 在配置文件中添加 learning_rate: decay: cosine warmup_iters: 500 max_lr: 1e-4 min_lr: 1e-65.2 数据增强配置PETRV2默认启用了GridMask增强可以进一步调整增强参数train_dataset: transforms: - type: GridMask prob: 0.5 ratio: 0.6 rotate: 155.3 多GPU训练如果有多个GPU可用可以启用分布式训练python -m paddle.distributed.launch --gpus 0,1 tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/ \ --epochs 100 \ --batch_size 4 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval注意调整batch_size以适应总显存大小。6. 常见问题解决6.1 显存不足问题如果遇到显存不足错误可以尝试以下解决方案减小batch_size使用梯度累积optimizer: grad_clip: 0.1 accum_iter: 2启用混合精度训练export FLAGS_conv_workspace_size_limit512 export FLAGS_cudnn_exhaustive_search1 export FLAGS_cudnn_batchnorm_spatial_persistent16.2 训练不收敛问题如果训练过程中loss波动大或不收敛检查学习率是否合适验证数据标注是否正确尝试更小的模型或简化配置添加更多的正则化手段6.3 评估指标异常如果评估指标出现异常值检查数据集路径和版本确认评估脚本的参数设置验证模型配置文件的正确性检查是否有数据预处理错误获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。