快速入门基于星图AIPETRV2-BEV模型训练与评估实战指南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安装并激活了Paddle3D的conda环境conda activate paddle3d_env这个环境包含了运行PETRV2-BEV模型所需的所有依赖项。如果尚未安装该环境可以参考PaddlePaddle官方文档进行配置。1.2 验证环境配置运行以下命令检查PaddlePaddle是否正确安装python -c import paddle; print(paddle.__version__)建议使用PaddlePaddle 2.5或更高版本以获得最佳兼容性。2. 数据与模型准备2.1 下载预训练权重PETRV2-BEV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 mini数据集为了快速验证模型效果我们使用NuScenes v1.0-mini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解压后的数据集包含约40个场景的样本足以进行初步训练和验证。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这个过程会生成BEV视角下的网格坐标映射关系并构建训练所需的目标编码规则。3.2 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/预期输出类似如下结果mAP: 0.2669 mATE: 0.7448 mASE: 0.4621 mAOE: 1.4553 mAVE: 0.2500 mAAE: 1.0000 NDS: 0.2878这些指标反映了模型在不同方面的检测性能我们将在训练过程中监控它们的变化。3.3 启动训练任务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: 训练总轮数batch_size: 根据GPU显存调整log_interval: 每多少步打印一次日志save_interval: 每多少轮保存一次模型3.4 监控训练过程使用VisualDL工具实时查看训练曲线visualdl --logdir ./output/ --host 0.0.0.0然后通过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在浏览器中访问http://localhost:8888即可查看各项指标的变化趋势。4. 模型导出与可视化4.1 导出推理模型训练完成后导出可用于部署的静态图模型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核心文件inference.pdmodel: 模型结构定义inference.pdiparams: 模型参数inference.yaml: 配置文件4.2 运行可视化Demo最后我们可以运行demo脚本查看实际检测效果python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes这个demo会在BEV视角下展示检测到的3D边界框让你直观了解模型性能。5. 进阶Xtreme1数据集训练可选5.1 准备Xtreme1数据Xtreme1数据集专注于极端天气条件下的自动驾驶场景。准备数据标注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 微调训练启动针对Xtreme1的微调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_eval5.3 导出并运行Demorm -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_model python tools/demo.py /root/workspace/xtreme1_nuscenes_data/ /root/workspace/xtreme1_release_model xtreme16. 总结通过本教程你已经完成了环境准备和数据集下载PETRV2-BEV模型的训练和评估模型导出和可视化演示可选的在Xtreme1数据集上的迁移学习关键收获掌握了使用星图AI平台训练3D目标检测模型的完整流程了解了如何评估模型在不同指标上的表现学会了监控训练过程和可视化结果获取更多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。
快速入门：基于星图AI，PETRV2-BEV模型训练与评估实战指南
快速入门基于星图AIPETRV2-BEV模型训练与评估实战指南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安装并激活了Paddle3D的conda环境conda activate paddle3d_env这个环境包含了运行PETRV2-BEV模型所需的所有依赖项。如果尚未安装该环境可以参考PaddlePaddle官方文档进行配置。1.2 验证环境配置运行以下命令检查PaddlePaddle是否正确安装python -c import paddle; print(paddle.__version__)建议使用PaddlePaddle 2.5或更高版本以获得最佳兼容性。2. 数据与模型准备2.1 下载预训练权重PETRV2-BEV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 mini数据集为了快速验证模型效果我们使用NuScenes v1.0-mini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解压后的数据集包含约40个场景的样本足以进行初步训练和验证。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这个过程会生成BEV视角下的网格坐标映射关系并构建训练所需的目标编码规则。3.2 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/预期输出类似如下结果mAP: 0.2669 mATE: 0.7448 mASE: 0.4621 mAOE: 1.4553 mAVE: 0.2500 mAAE: 1.0000 NDS: 0.2878这些指标反映了模型在不同方面的检测性能我们将在训练过程中监控它们的变化。3.3 启动训练任务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: 训练总轮数batch_size: 根据GPU显存调整log_interval: 每多少步打印一次日志save_interval: 每多少轮保存一次模型3.4 监控训练过程使用VisualDL工具实时查看训练曲线visualdl --logdir ./output/ --host 0.0.0.0然后通过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在浏览器中访问http://localhost:8888即可查看各项指标的变化趋势。4. 模型导出与可视化4.1 导出推理模型训练完成后导出可用于部署的静态图模型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核心文件inference.pdmodel: 模型结构定义inference.pdiparams: 模型参数inference.yaml: 配置文件4.2 运行可视化Demo最后我们可以运行demo脚本查看实际检测效果python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes这个demo会在BEV视角下展示检测到的3D边界框让你直观了解模型性能。5. 进阶Xtreme1数据集训练可选5.1 准备Xtreme1数据Xtreme1数据集专注于极端天气条件下的自动驾驶场景。准备数据标注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 微调训练启动针对Xtreme1的微调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_eval5.3 导出并运行Demorm -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_model python tools/demo.py /root/workspace/xtreme1_nuscenes_data/ /root/workspace/xtreme1_release_model xtreme16. 总结通过本教程你已经完成了环境准备和数据集下载PETRV2-BEV模型的训练和评估模型导出和可视化演示可选的在Xtreme1数据集上的迁移学习关键收获掌握了使用星图AI平台训练3D目标检测模型的完整流程了解了如何评估模型在不同指标上的表现学会了监控训练过程和可视化结果获取更多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。
