1. 环境配置避坑全攻略第一次尝试按照官方文档搭建MapTRv2环境时我遇到了至少5种不同的报错。最头疼的是mmcv版本冲突问题——明明照着文档安装了1.14.0版本运行时却提示需要1.3.8到1.4.0之间的版本。后来发现这是因为官方文档没有明确说明PyTorch和CUDA版本组合对mmcv的隐性要求。关键版本组合必须锁死Ubuntu 18.04.6 LTS20.04也可但需要额外处理GLIBC依赖Python 3.83.9会导致geometric_kernel_attn编译失败torch1.10.0cu111必须带cu111后缀mmcv-full1.3.18不是官方推荐的1.14.0实测这个组合在RTX 3090和A100上都稳定运行。有个取巧的方法直接复制我的conda环境导出文件conda env create -f maptr_env.yaml其中yaml文件包含所有依赖的精确版本可以到我的技术博客下载。2. 依赖安装的隐藏陷阱2.1 mmdetection3d的幽灵依赖安装mmdetection3d时最容易踩的坑是它隐式依赖的库。比如有一次我遇到undefined symbol: _ZTIN3c1021AutogradMetaInterfaceE报错根本原因是numpy版本过高。解决方法很反直觉pip uninstall numpy -y pip install numpy1.22.2另一个典型问题是networkx版本。MapTRv2运行时要求networkx2.3但最新版已经是3.0。如果没降级会遇到拓扑排序算法报错。建议在安装requirement.txt前先执行pip install networkx2.3 setuptools58.2.02.2 CUDA算子编译玄学projects/mmdet3d_plugin/maptr/modules/ops/geometric_kernel_attn的编译是个老大难问题。我总结出三个必检项确保gcc版本≤9.0Ubuntu 18.04默认7.5刚好检查CUDA_HOME环境变量指向正确路径删除build文件夹后重试如果还失败可以尝试魔改setup.pyextra_compile_args { cxx: [-O3], nvcc: [-O3, --compiler-options, -fPIC] }3. 数据集处理的那些坑3.1 nuscenes-mini的路径迷宫官方文档没说清楚的是can_bus数据必须放在/data/can_bus不是项目目录下。目录结构应该是/data ├── can_bus │ └── nuscenes └── nuscenes ├── maps └── v1.0-mini有个血泪教训如果create_data.py报KeyError: ego_pose错误八成是can_bus路径不对。可以用这个命令检查ls /data/can_bus/nuscenes | grep ego_pose3.2 自定义数据转换的黑科技处理自定义数据时custom_nusc_map_converter.py需要特别注意两点注释掉train/test处理部分如原文所述修改nuscenes_data_prep函数中的max_sweeps参数建议增加调试输出print(fProcessing {sample[token]} with {len(sample[sweeps])} sweeps)4. 实战运行技巧4.1 可视化预测的魔法参数运行nusc_vis_pred.py时通过--show-dir指定输出目录还不够。我发现添加这两个参数效果更好--score-thr 0.3 --show-range 50这会让可视化结果过滤掉低置信度预测并限制显示范围避免画面过于拥挤。4.2 视频生成的性能优化generate_video.py默认用CPU编码速度慢到怀疑人生。改用GPU加速可以快10倍python tools/maptr/generate_video.py ./vis_dirs_v2 \ --video-name demo_v2 \ --ffmpeg-args -c:v h264_nvenc -preset fast需要先安装NVIDIA的硬件编码器sudo apt install ffmpeg libavcodec-extra5. 性能调优实战在A100上测试发现默认配置的batch_size4会爆显存。通过以下调整可以稳定运行修改configs/maptrv2/maptrv2_nusc_r50_24ep.pydata dict( samples_per_gpu2, # 原为4 workers_per_gpu4 # 建议等于CPU核心数 )启用混合精度训练提速30%fp16 dict(loss_scale512.)如果还是OOM可以尝试梯度累积optimizer_config dict( typeDistOptimizerHook, grad_clipdict(max_norm35, norm_type2), coalesceTrue, bucket_size_mb-1, accumulate_grad2 # 关键参数 )6. 跨平台迁移指南把训练好的模型从Ubuntu迁移到CentOS时遇到最多的就是GLIBC版本问题。这里分享我的解决方案用patchelf修改动态库路径patchelf --set-interpreter /lib64/ld-linux-x86-64.so.2 \ ${CONDA_PREFIX}/lib/python3.8/site-packages/mmcv/_ext.cpython-38-x86_64-linux-gnu.so对于CUDA相关库最好用Docker打包FROM nvidia/cuda:11.2.0-devel-ubuntu18.04 COPY --frombuilder /opt/conda /opt/conda ENV PATH /opt/conda/bin:$PATH遇到undefined symbol错误时用这个命令检查依赖nm -D libxxx.so | grep symbol_name7. 模型效果增强技巧想让MapTRv2的输出更精准试试这几个经过验证的trick修改BEV特征图尺寸configs/maptrv2/maptrv2_nusc_r50_24ep.pymodel dict( bev_h200, # 原为100 bev_w200, # 原为100 canvas_size(200, 200) # 同步修改 )增加关键点检测头bbox_headdict( num_pts64, # 原为32 dir_offset0.7854 )启用多尺度特征融合neckdict( typeFPN, in_channels[256, 512, 1024, 2048], out_channels256, num_outs4 )这些修改在我的测试中让mAP提升了5-8个百分点当然代价是训练时间增加20%左右。建议先在小数据集上验证效果再应用到全量数据。