PETRV2-BEV模型训练星图AI平台保姆级教程从数据下载到模型导出1. 环境准备与快速部署1.1 激活Paddle3D环境星图AI平台已预置了完整的Paddle3D运行环境只需简单激活即可使用conda activate paddle3d_env验证环境执行python -c import paddle3d; print(paddle3d.__version__)若输出版本号则说明环境正常。1.2 创建工作目录建议在/root/workspace下创建项目目录保持与教程路径一致mkdir -p /root/workspace/petrv2_project cd /root/workspace/petrv2_project2. 数据与模型准备2.1 下载预训练权重获取官方提供的PETRv2预训练模型基于VoVNet主干网络wget -O /root/workspace/model.pdparams \ https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams文件说明格式PaddlePaddle动态图参数文件大小约300MB适用场景nuScenes数据集3D目标检测2.2 获取nuScenes mini数据集下载轻量版数据集用于快速验证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数据集结构nuscenes/ ├── maps/ # 高精地图 ├── samples/ # 关键帧传感器数据 ├── sweeps/ # 中间帧传感器数据 └── v1.0-mini/ # 标注与元数据3. 数据预处理与训练3.1 生成标注文件转换原始数据为Paddle3D可读格式cd /usr/local/Paddle3D python3 tools/create_petr_nus_infos.py \ --dataset_root /root/workspace/nuscenes/ \ --save_dir /root/workspace/nuscenes/ \ --mode mini_val生成文件petr_nuscenes_annotation_train.jsonpetr_nuscenes_annotation_val.json3.2 启动模型训练执行训练脚本关键参数说明python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ # 预训练权重 --dataset_root /root/workspace/nuscenes/ \ # 数据集路径 --epochs 100 \ # 训练轮次 --batch_size 2 \ # 批大小根据显存调整 --learning_rate 1e-4 \ # 初始学习率 --save_interval 5 \ # 模型保存间隔 --do_eval # 启用定期评估训练输出模型保存至output/目录最佳模型路径output/best_model/日志文件output/train.log4. 训练监控与可视化4.1 启动VisualDL服务visualdl --logdir ./output/ --host 0.0.0.0 --port 80404.2 本地端口转发在本地终端执行替换为实际SSH端口ssh -p 31264 -L 8888:localhost:8040 rootgpu-09rxs0pcu2.ssh.gpu.csdn.net访问http://localhost:8888可查看Loss曲线评估指标mAP/NDS学习率变化5. 模型导出与部署5.1 导出推理模型将训练好的模型转换为部署格式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导出文件model.pdmodel模型结构model.pdiparams模型参数deploy.yaml部署配置5.2 运行推理Demo可视化模型检测效果python tools/demo.py \ /root/workspace/nuscenes/ \ /root/workspace/nuscenes_release_model \ nuscenes输出结果保存至output/demo/目录包含3D边界框的可视化图像6. 进阶训练XTREME1数据集6.1 数据准备python3 tools/create_petr_nus_infos_from_xtreme1.py \ /root/workspace/xtreme1_nuscenes_data/6.2 启动训练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 \ --learning_rate 1e-47. 常见问题解答7.1 显存不足怎么办减小batch_size最低可设1使用梯度累积添加--accumulate_steps 2启用混合精度训练在配置文件中设置use_amp: True7.2 训练速度慢如何优化增大batch_size需相应调整学习率使用更高效的数据加载器配置num_workers: 4启用DALI加速需要额外安装NVIDIA DALI库7.3 模型性能提升建议增加训练epoch建议200尝试更大的输入分辨率需修改配置文件使用数据增强策略配置文件中调整8. 总结与下一步8.1 核心流程回顾环境准备 → 2. 数据下载 → 3. 模型训练 → 4. 效果评估 → 5. 模型导出8.2 推荐学习路径完整nuScenes数据集训练自定义数据集的适配TensorRT加速部署实践获取更多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。