Fast-BEV代码复现实践

Fast-BEV代码复现实践，专业踩坑

最近在研究一些BEV视觉感知算法，这里记录一下Fast-BEV代码复现实践，专业踩坑^_^
理论这里就不详细介绍，详情见原作者论文Fast-BEV: A Fast and Strong Bird’s-Eye View Perception Baseline
其他csdn,知乎上理论讲解也比较详细。主要还是本人太菜，讲不了理论，这里只讲工程复现^_^

• 如果觉得本文章可以，一键三连支持一波，^_^
• 部署有问题的小伙伴欢迎留言和加Q裙-472648720

BEVFusion代码复现实践

BEVFustion-TensorRT部署

BEV各算法环境部署实战汇总

1 运行环境搭建

• ubuntu20.04，python-3.8, torch-1.10.0, cuda-11.3，cudnn-8.6
• 不要问其他版本能不能通，小白和不想折腾环境的童鞋直接抄作业

1.1 conda与cuda

cuda,conda,torch安装参考

1. 采用conda管理python环境,毕竟方便,miniconda下载地址 安装步骤略
2. 显卡驱动cuda，cudnn安装网上帖子多，为了省略篇幅，默认安装好了

• 大家具体不知道各种库版本号对应关系，就直接跟着抄作业，cuda-11.3.0, cudnn-8.6.0，python-3.8， torch-1.10.0 , mmopenlab相关库版本也一样，直接抄作业
• conda和pip换国内源, 百度搜一下，防止国内安装失败 换源参考

1.2 构建python虚拟环境

• 大家不知道某个库的具体版本，就直接抄作业，跟我一致就行，后面就不再强调

1. 构建python环境
   python用3.8以上，3.7版本后续mmcv相关安装出了问题

conda create -n fastbev python=3.8

• 1

• 激活新环境

conda activate fastbev

• 1

2. torch安装

cuda与torch版本查询 我用的torch-1.10.0

pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 torchaudio==0.10.0 -f https://download.pytorch.org/whl/torch_stable.html

• 1

4. 安装mmcv相关库

由于fastbev出来很久了，而mmcv-full已经更新到2.x.x版本，改名为mvcc, fastbev还是用的 mmcv-full

• 安装fastbev所需的mmopenlab的相关包

# 安装mmcv-full安装时终端会卡住，不是卡住，是下载时间比较长，耐心等待 pip install mmcv-full==1.4.0 # 安装mmdet pip install mmdet==2.14.0 # 安装mmdet pip install mmsegmentation==0.14.1

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

1.3 下载FASTBEV源码

可以直接拉取本人已经修改后的仓库代码gitee地址， 求个☆Star，^_^

• 安装fastbev相关依赖

# 下载fastbev工程 git clone https://github.com/Sense-GVT/Fast-BEV.git # 激活虚拟环境 conda activate fastbev # 进入Fast-BEV cd Fast-BEV # 配置所需依赖包 pip install -v -e . # or "python setup.py develop"

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

• 查看mmopenlab相关包版本号

python -c 'import mmcv;import mmdet;import mmdet3d;import mmseg;print(mmcv.__version__);print(mmdet.__version__);print(mmdet3d.__version__);print(mmseg.__version__)'

• 1

显示版本号如下：依次为mmcv,mmdet,mmdet3d,mmseg对应的版本号

其他依赖包：

pip install ipdb pip install timm

• 1
• 2

自此基本环境已经装好。

2 准备数据集

2.1 下载数据集

这里只介绍nuscenes数据集，nuscenes下载地址

由于nuscenes数据太大，这里只测试nuscense提供mini版本, 下载map跟mini，如下图点击红色框中US即可

1. 下载
   点击US，Aias都行
   

下载后得到2个压缩的文件

2. 解压到当前目录
   解压得到nuScenes-map-expansion-v1.3与v1.0-mini两个目录, 把nuScenes-map-expansion-v1.3中的三个文件复制到v1.0-mini/map目录下。最终得到新v1.0-mini目录，就行训练所需的数据集。

2.2 数据集转换为FastBEV支持格式

进入Fast-BEV工程目标, 创建data目录，然后将上面的v1.0-mini文件夹复制到./Fast-BEV/data下, 并将v1.0-mini重命名为nuscenes， 目录结构如下图所示：

因为使用的mini数据集, 转换时候加上参数--version 该数据未提供v1.0-test文件

如果使用全部的nuscenes数据可以不跟--version

1. 运行create_data.py

python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes --workers 10 --version v1.0-mini

• 1

执行后，产生下面红框中的文件

2. 运行nuscenes_seq_converter.py
   由于使用的mini数据集无test文件，需要修改nuscenes_seq_converter.py文件，找到代码15行和20行，修改如下：

修改后，运行

python tools/data_converter/nuscenes_seq_converter.py

• 1

生成 nuscenes_infos_train_4d_interval3_max60.pkl 与 nuscenes_infos_val_4d_interval3_max60.pkl 两个文件,
这两个文件就是训练需要的数据集，如下图所示：

3 训练

3.1 训练配置

1. 下载预训练模型pretrained_models

下载地址 需要魔法上网
总体提供了r18,r34,r50三种残差网络模型。这里下载cascade_mask_rcnn_r18_fpn_coco-mstrain_3x_20e_nuim_bbox_mAP_0.5110_segm_mAP_0.4070.pth

这个需要跟配置文件一致。配置文件也是 r18, 下载后，新建一个pretrained_models目录放入其中。如下图所示：

3. 修改配置文件
   不修改配置文件可能出现3.2节的报错问题, 修改后，可直接跳过3.2小节

以 configs/fastbev/exp/paper/fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4.py,文件为例：（当然其他几个配置文件也行）

• 将该配置文件中的将SyncBN改成BN，将AdamW2换成Adam;

• 该配置文件中146行代码去掉注释; 147-150代码加上注释, 如下所示

file_client_args = dict(backend='disk') # file_client_args = dict( # backend='petrel', # path_mapping=dict({ # data_root: 'public-1424:s3://openmmlab/datasets/detection3d/nuscenes/'}))

• 1
• 2
• 3
• 4
• 5

• 安装setuptools-58.0.4版本

conda install setuptools==58.0.4

• 1

• 配置文件中预训练模型地址修改， 代码331行，load_from参数指向第1步下载的预训练模型地址，如果不知道相对路径，可以直接给绝对路径，我这里是相对路径

load_from = 'pretrained_models/cascade_mask_rcnn_r18_fpn_coco-mstrain_3x_20e_nuim_bbox_mAP_0.5110_segm_mAP_0.4070.pth'

• 1

3. 训练

python tools/train.py configs/fastbev/exp/paper/fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4.py --work-dir work_dir --gpu-ids 0

• 1

参数说明

--gpu-ids 0代表gpu使用第1块。本机只有一块gpu --work-dir 输出文件目录，包含日志等文件 其他参数详情建train.py中parse_args()函数

• 1
• 2
• 3

终端出现以下图中红色框中内容，代表训练已经成功运行, 具体训练周期epoch，batch_size等参数可以在fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4.py配置文件中修改

3.2 训练时报错

• 错误1
  

方案1： 点击红框上面一行，跳转到报错的文件中，注释掉使用distutils的代码

方案2：
AttributeError: module 'distutils' has no attribute 'version'

conda install setuptools==58.0.4

• 1

• 错误2
  

146行去掉注释，147-150加上注释

• 错误3
  

将SyncBN改成BN

• 错误4
  

将AdamW2换成Adam

4 测试

4.1 测试推理

由于自己的显卡显存受限，训练的模型，测试结果不太理想，直接采用原作者提供的训练好的模型进行测试，下载地址

本人采用的fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4中epoch_20.pth, 下载地址

python tools/test.py configs/fastbev/exp/paper/fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4.py pretrained_models/epoch_20.pth --out output/result.pkl

• 1

• out 必须跟.pkl后缀。用来保存检测结果

--out 必须跟.pkl后缀。用来保存检测结果 --show 不要加，加上会报错，可能原作者未优化好

• 1
• 2

4.2 可视化

由于测试运行代码时，加入–show会报错，可以tools/misc/visualize_results.py把上一步的result.pkl生成视频流展示。

python tools/misc/visualize_results.py configs/fastbev/exp/paper/fastbev_m0_r18_s256x704_v200x200x4_c192_d2_f4.py --result output/result.pkl --show-dir show_dir

• 1

• 报错1：

assert len(_list) == len(sort)

解决办法：Fast -BEV/mmdet3d/datasets/nuscenes monocular_dataset.py, 找到192行修改成193行样子：

• 报错2：

解决方法，安装这2个包：

pip install imageio[ffmpeg] imageio[pyav]

• 1

最后运行visualize_results.py ，生成video_pred.mp4与video_gt.mp4两个视频：

其中某一帧可视化：

发现m5-r18模型效果不是很好，很多只检测了个寂寞，大家可以尝试用m5-r50的epoch_20pth， 下载地址

---

参考文章

感谢各位大佬的辛勤付出, 瑞思拜^-^！!！

作者源码github地址

参考文章一

参考文章二

小伙伴们部署时遇到问题，欢迎各位小伙伴留言，欢迎进入bev交流釦裙472648720，大家一起学bev!

如果觉得文章可以，一键三连支持一波，瑞思拜^-^

---