星图AI算力平台：PETRV2-BEV分布式训练指南

随着自动驾驶感知系统对多模态、高精度3D目标检测需求的不断提升，基于视觉的BEV（Bird's Eye View）检测方法逐渐成为主流。PETR系列模型通过将图像特征与空间位置编码结合，在NuScenes等大规模数据集上取得了优异性能。其中，PETRV2-BEV凭借其强大的VOVNet主干网络和GridMask增强策略，展现出卓越的检测能力。

本文将详细介绍如何在星图AI算力平台上完成PETRV2-BEV模型的完整训练流程，涵盖环境配置、数据准备、模型训练、评估与推理全流程，并提供可复用的命令脚本与工程建议，帮助开发者高效落地该模型。

1. 准备环境

1.1 进入Paddle3D Conda环境

星图AI算力平台预置了PaddlePaddle深度学习框架及Paddle3D工具库，用户可通过Conda管理依赖环境。首先激活已配置好的paddle3d_env环境：

conda activate paddle3d_env

该环境包含PaddlePaddle 2.5+、Paddle3D开发套件以及CUDA驱动支持，确保后续训练任务可在GPU模式下正常运行。

提示：若未找到paddle3d_env，可使用conda env list查看可用环境，或联系平台管理员确认镜像是否正确加载。

2. 下载依赖

2.1 下载预训练权重

为加速模型收敛，建议从官方源下载已在完整NuScenes数据集上训练过的PETRV2预训练权重：

wget -O /root/workspace/model.pdparams https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams

该权重文件基于VOVNet主干网络，输入分辨率为800×320，采用GridMask数据增强，适用于大多数BEV检测场景。

2.2 下载NuScenes v1.0-mini数据集

为便于快速验证流程，我们先使用轻量级的v1.0-mini子集进行测试：

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

解压后目录结构应符合Paddle3D要求，包含samples、sweeps、maps和annotations等关键文件夹。

3. 训练NuScenes v1.0-mini数据集

3.1 准备数据集信息文件

Paddle3D需预先生成用于训练的数据索引文件（info files），执行以下命令生成mini验证集对应的标注信息：

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

此步骤会输出两个.pkl文件：

• petr_nuscenes_annotation_mini_train.pkl
• petr_nuscenes_annotation_mini_val.pkl

这些文件记录了样本路径、标定参数、3D边界框等元数据，是训练流程的基础输入。

3.2 测试初始模型精度

在开始训练前，建议先加载预训练模型对mini数据集进行一次评估，以验证环境与数据一致性：

python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/

输出示例：

mAP: 0.2669 mATE: 0.7448 mASE: 0.4621 mAOE: 1.4553 mAVE: 0.2500 mAAE: 1.0000 NDS: 0.2878 Eval time: 5.8s Per-class results: Object Class AP ATE ASE AOE AVE AAE car 0.446 0.626 0.168 1.735 0.000 1.000 truck 0.381 0.500 0.199 1.113 0.000 1.000 bus 0.407 0.659 0.064 2.719 0.000 1.000 trailer 0.000 1.000 1.000 1.000 1.000 1.000 construction_vehicle 0.000 1.000 1.000 1.000 1.000 1.000 pedestrian 0.378 0.737 0.263 1.259 0.000 1.000 motorcycle 0.356 0.748 0.314 1.410 0.000 1.000 bicycle 0.063 0.760 0.236 1.862 0.000 1.000 traffic_cone 0.637 0.418 0.377 nan nan nan barrier 0.000 1.000 1.000 1.000 nan nan

当前mAP约为26.7%，说明模型具备基本识别能力，适合作为微调起点。

3.3 启动模型训练

使用如下命令启动分布式训练任务（单机多卡）：

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

参数说明：

• --epochs 100：训练100轮
• --batch_size 2：每卡批量大小（根据显存调整）
• --learning_rate 1e-4：初始学习率，适合微调阶段
• --do_eval：每个保存周期后自动评估验证集性能
• --save_interval 5：每5个epoch保存一次检查点

训练日志将输出至控制台并写入output/目录下的TensorBoard兼容格式。

3.4 可视化训练曲线

利用VisualDL（PaddlePaddle可视化工具）实时监控Loss与Metric变化：

visualdl --logdir ./output/ --host 0.0.0.0

随后通过SSH端口映射访问Web界面：

ssh -p 31264 -L 0.0.0.0:8888:localhost:8040 root@gpu-09rxs0pcu2.ssh.gpu.csdn.net

浏览器打开http://localhost:8888即可查看：

• 总损失（total_loss）
• 分类损失（cls_loss）
• 回归损失（reg_loss）
• mAP、NDS等评估指标趋势

建议：观察loss是否平稳下降，避免出现震荡或发散现象；若mAP停滞不前，可尝试调整学习率或增加数据增强强度。

3.5 导出推理模型

当训练完成后，选择最优模型导出为静态图格式，供部署使用：

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

导出内容包括：

• model.pdmodel：序列化模型结构
• model.pdiparams：模型权重
• deploy.yaml：部署配置文件

3.6 运行DEMO演示

最后执行可视化推理脚本，展示检测结果：

python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes

程序将在output/demo/目录下生成带3D框标注的BEV视角图像和视频片段，直观反映模型检测效果。

4. 训练xtreme1数据集（可选）

4.1 准备xtreme1数据集

xtreme1是一个更具挑战性的自动驾驶数据集，覆盖极端天气与复杂路况。假设数据已上传至/root/workspace/xtreme1_nuscenes_data/，执行专用脚本生成info文件：

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/

4.2 测试初始精度

加载相同预训练权重进行零样本评估：

python tools/evaluate.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/xtreme1_nuscenes_data/

输出示例：

mAP: 0.0000 mATE: 1.0703 mASE: 0.8296 mAOE: 1.0807 mAVE: 0.6250 mAAE: 1.0000 NDS: 0.0545 Eval time: 0.5s Per-class results: Object Class AP ATE ASE AOE AVE AAE car 0.000 1.308 0.232 2.074 0.000 1.000 ...

可见模型在未经过域适应的情况下表现极差（mAP=0），表明跨域迁移需针对性训练。

4.3 开始训练

启动针对xtreme1的微调训练：

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 \ --log_interval 10 \ --learning_rate 1e-4 \ --save_interval 5 \ --do_eval

注意：由于xtreme1数据分布差异大，建议适当延长warmup阶段，或引入更强的数据增强策略如CutMix、Mosaic。

4.4 导出xtreme1专用模型

训练结束后导出定制化推理模型：

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_model

4.5 执行DEMO可视化

运行专属demo脚本查看检测结果：

python tools/demo.py /root/workspace/xtreme1_nuscenes_data/ /root/workspace/xtreme1_release_model xtreme1

生成结果可用于分析模型在雨雾、低光照等极端条件下的鲁棒性。

5. 总结

本文系统介绍了在星图AI算力平台上完成PETRV2-BEV模型训练的完整流程，覆盖从环境搭建、数据处理到模型训练、评估与部署的各个环节。主要收获包括：

1. 高效的开发环境：星图平台集成Paddle3D与高性能GPU资源，显著降低部署门槛；
2. 灵活的数据支持：支持NuScenes标准数据集及xtreme1等扩展数据集，便于开展跨域研究；
3. 完整的训练闭环：提供从训练、验证、可视化到模型导出的一站式解决方案；
4. 可扩展性强：所有脚本均可迁移至其他Paddle3D支持的BEV模型（如PETR, BEVFormer等）。

未来可进一步探索方向包括：

• 多卡分布式训练优化（DDP）
• 自定义数据增强策略
• 模型量化压缩与边缘部署

掌握上述技能后，开发者可快速构建面向实际场景的高精度3D视觉感知系统。

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。