星图AI平台实战PETRV2-BEV模型训练从数据到Demo全流程1. 环境准备与快速部署1.1 创建星图AI算力实例在星图AI平台创建训练实例非常简单登录星图AI平台控制台选择训练PETRV2-BEV模型镜像根据需求选择GPU配置建议至少16GB显存设置实例运行时长初次尝试建议1-2小时等待约15分钟系统会自动完成环境配置。你会获得一个完整的深度学习环境包括PaddlePaddle深度学习框架Paddle3D 3D感知工具包预配置的conda环境1.2 连接与验证环境使用SSH连接实例后首先验证环境# 检查GPU状态 nvidia-smi # 激活预配置的conda环境 conda activate paddle3d_env # 验证PaddlePaddle安装 python -c import paddle; print(paddle.__version__)2. 数据准备与预处理2.1 下载预训练权重PETRV2模型提供了预训练权重可以加速训练过程wget -O /root/workspace/model.pdparams \ https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams2.2 获取nuscenes mini数据集为快速验证流程我们使用nuscenes的mini版本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/nuscenes2.3 数据预处理将原始数据转换为模型可读格式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_val3. 模型训练与验证3.1 初始精度测试在训练前评估预训练模型性能python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/预期输出包含多个评估指标重点关注mAP (平均精度)衡量检测准确率NDS (nuScenes检测分数)综合评估指标3.2 启动模型训练使用以下命令开始训练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训练轮数--batch_size根据GPU显存调整--save_interval每隔多少轮保存一次模型3.3 训练监控与可视化启动VisualDL服务监控训练过程visualdl --logdir ./output/ --host 0.0.0.0通过端口转发在本地查看ssh -p [端口号] -L 0.0.0.0:8888:localhost:8040 root[服务器地址]然后在浏览器访问http://localhost:8888查看损失函数曲线评估指标变化学习率调整情况4. 模型导出与Demo演示4.1 导出训练好的模型训练完成后导出为推理格式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_model4.2 运行可视化Demo使用导出的模型运行演示python tools/demo.py \ /root/workspace/nuscenes/ \ /root/workspace/nuscenes_release_model \ nuscenesDemo将展示原始摄像头输入生成的BEV鸟瞰图检测到的物体及边界框5. 进阶训练xtreme1数据集5.1 准备xtreme1数据cd /usr/local/Paddle3D rm /root/workspace/xtreme1_nuscenes_data/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos_from_xtreme1.py \ /root/workspace/xtreme1_nuscenes_data/5.2 训练与评估# 训练命令 python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/xtreme1_nuscenes_data/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval # 导出模型 rm -rf /root/workspace/xtreme1_release_model mkdir /root/workspace/xtreme1_release_model python tools/export.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model output/best_model/model.pdparams \ --save_dir /root/workspace/xtreme1_release_model6. 总结与最佳实践6.1 关键学习要点通过本教程您已经掌握在星图AI平台部署PETRV2训练环境准备和预处理自动驾驶数据集训练和评估BEV感知模型导出模型并运行可视化Demo6.2 性能优化建议数据方面确保标注质量适当增加数据增强平衡各类别样本数量训练技巧使用学习率预热尝试不同的优化器实施早停策略资源利用根据GPU显存调整batch size使用混合精度训练合理设置checkpoint保存频率6.3 常见问题解决训练不收敛检查学习率是否合适验证数据预处理是否正确尝试更小的模型或简化任务显存不足减小batch size使用梯度累积尝试更小的输入分辨率评估指标低检查评估脚本参数验证标注与预测格式匹配确保评估集与训练集分布一致获取更多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。
星图AI平台实战：PETRV2-BEV模型训练，从数据到Demo全流程
星图AI平台实战PETRV2-BEV模型训练从数据到Demo全流程1. 环境准备与快速部署1.1 创建星图AI算力实例在星图AI平台创建训练实例非常简单登录星图AI平台控制台选择训练PETRV2-BEV模型镜像根据需求选择GPU配置建议至少16GB显存设置实例运行时长初次尝试建议1-2小时等待约15分钟系统会自动完成环境配置。你会获得一个完整的深度学习环境包括PaddlePaddle深度学习框架Paddle3D 3D感知工具包预配置的conda环境1.2 连接与验证环境使用SSH连接实例后首先验证环境# 检查GPU状态 nvidia-smi # 激活预配置的conda环境 conda activate paddle3d_env # 验证PaddlePaddle安装 python -c import paddle; print(paddle.__version__)2. 数据准备与预处理2.1 下载预训练权重PETRV2模型提供了预训练权重可以加速训练过程wget -O /root/workspace/model.pdparams \ https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams2.2 获取nuscenes mini数据集为快速验证流程我们使用nuscenes的mini版本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/nuscenes2.3 数据预处理将原始数据转换为模型可读格式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_val3. 模型训练与验证3.1 初始精度测试在训练前评估预训练模型性能python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/预期输出包含多个评估指标重点关注mAP (平均精度)衡量检测准确率NDS (nuScenes检测分数)综合评估指标3.2 启动模型训练使用以下命令开始训练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训练轮数--batch_size根据GPU显存调整--save_interval每隔多少轮保存一次模型3.3 训练监控与可视化启动VisualDL服务监控训练过程visualdl --logdir ./output/ --host 0.0.0.0通过端口转发在本地查看ssh -p [端口号] -L 0.0.0.0:8888:localhost:8040 root[服务器地址]然后在浏览器访问http://localhost:8888查看损失函数曲线评估指标变化学习率调整情况4. 模型导出与Demo演示4.1 导出训练好的模型训练完成后导出为推理格式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_model4.2 运行可视化Demo使用导出的模型运行演示python tools/demo.py \ /root/workspace/nuscenes/ \ /root/workspace/nuscenes_release_model \ nuscenesDemo将展示原始摄像头输入生成的BEV鸟瞰图检测到的物体及边界框5. 进阶训练xtreme1数据集5.1 准备xtreme1数据cd /usr/local/Paddle3D rm /root/workspace/xtreme1_nuscenes_data/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos_from_xtreme1.py \ /root/workspace/xtreme1_nuscenes_data/5.2 训练与评估# 训练命令 python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/xtreme1_nuscenes_data/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval # 导出模型 rm -rf /root/workspace/xtreme1_release_model mkdir /root/workspace/xtreme1_release_model python tools/export.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model output/best_model/model.pdparams \ --save_dir /root/workspace/xtreme1_release_model6. 总结与最佳实践6.1 关键学习要点通过本教程您已经掌握在星图AI平台部署PETRV2训练环境准备和预处理自动驾驶数据集训练和评估BEV感知模型导出模型并运行可视化Demo6.2 性能优化建议数据方面确保标注质量适当增加数据增强平衡各类别样本数量训练技巧使用学习率预热尝试不同的优化器实施早停策略资源利用根据GPU显存调整batch size使用混合精度训练合理设置checkpoint保存频率6.3 常见问题解决训练不收敛检查学习率是否合适验证数据预处理是否正确尝试更小的模型或简化任务显存不足减小batch size使用梯度累积尝试更小的输入分辨率评估指标低检查评估脚本参数验证标注与预测格式匹配确保评估集与训练集分布一致获取更多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。
