文档首页/ AI开发平台ModelArts/ 最佳实践/ 自动驾驶模型训练推理/ MapTRv2模型基于ModelArts Lite Server适配PyTorch NPU训练指导

更新时间：2025-09-08 GMT+08:00

查看PDF

MapTRv2模型基于ModelArts Lite Server适配PyTorch NPU训练指导

方案概览

MapTR是一种高效的端到端Transformer模型，用于在线构建矢量化高清地图（HD Map）。高清地图在自动驾驶系统中是规划的基础和关键组件，提供了丰富而精确的环境信息。MapTR提出了一种统一的置换等价建模方法，将地图元素表示为等价置换组的点集，这样不仅可以准确描述地图元素的形状，还能稳定学习过程。此外，MapTR设计了一个分层查询嵌入方案，以灵活地编码结构化地图信息，并执行分层二分匹配来学习地图元素。

资源规格要求

推荐使用“西南-贵阳一”Region上的Lite Server资源。

表1 环境要求
名称	版本
NPU卡数	Ascend Snt9B：8卡 Ascend Snt9B23：8卡或 16卡
Driver	Ascend Snt9B：24.1.0.6 Ascend Snt9B23：24.1.RC3.5
PyTorch	PyTorch-2.1.0

获取软件和镜像

表2 获取软件和镜像
分类	名称	获取路径
插件代码包	AscendCloud-ACD-xxx.zip 文件名中的xxx表示具体的版本号和时间戳，以实际发布的包名为准。	获取路径：Support-E，在此路径中查找下载ModelArts 6.5.906.1版本。说明：如果上述软件获取路径打开后未显示相应的软件信息，说明您没有下载权限，请联系您所在企业的华为方技术支持下载获取。
Snt9B基础镜像包	swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b-20250513111215-29295f8	SWR上拉取。
Snt9B23基础镜像包	swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b23-20250509115535-21587eb	SWR上拉取。

约束限制

本文档适配昇腾云ModelArts 6.5.906版本，请参考表2 获取软件和镜像获取配套版本的软件包和镜像，请严格遵照版本配套关系使用本文档。
确保容器可以访问公网。

步骤一：检查环境

请参考Lite Server资源开通，购买Lite Server资源，并确保机器已开通，密码已获取，能通过SSH登录，不同机器之间网络互通。

购买Lite Server资源时如果无可选资源规格，需要联系华为云技术支持申请开通。

当容器需要提供服务给多个用户，或者多个用户共享使用该容器时，应限制容器访问Openstack的管理地址（169.254.169.254），以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。
SSH登录机器后，检查NPU卡状态。运行如下命令，返回NPU设备信息。
```
npu-smi info                    # 在每个实例节点上运行此命令可以看到NPU卡状态
```
如出现错误，可能是机器上的NPU设备没有正常安装，或者NPU镜像被其他容器挂载。请先正常安装固件和驱动，或释放被挂载的NPU。

检查是否安装docker。

docker -v   #检查docker是否安装

如尚未安装，运行以下命令安装docker。

yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64

配置IP转发，用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值，如果为1，可跳过此步骤。
```
sysctl -p | grep net.ipv4.ip_forward
```
如果net.ipv4.ip_forward配置项的值不为1，执行以下命令配置IP转发。
```
sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf
sysctl -p | grep net.ipv4.ip_forward
```

步骤二：下载镜像并启动容器

获取基础镜像。建议使用官方提供的镜像部署推理服务。镜像地址{image_url}参见表2 获取软件和镜像。
```
docker pull {image_url}
```

启动容器镜像。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。

export work_dir="自定义挂载的工作目录"  
export container_work_dir="自定义挂载到容器内的工作目录"  
export container_name="自定义容器名称"  
export image_name="镜像名称"  
docker run -itd \
   -u root \
   --device=/dev/davinci0 \
   --device=/dev/davinci1 \
   --device=/dev/davinci2 \
   --device=/dev/davinci3 \
   --device=/dev/davinci4 \
   --device=/dev/davinci5 \
   --device=/dev/davinci6 \
   --device=/dev/davinci7 \
   --device=/dev/davinci8 \
   --device=/dev/davinci9 \
   --device=/dev/davinci10 \
   --device=/dev/davinci11 \
   --device=/dev/davinci12 \
   --device=/dev/davinci13 \
   --device=/dev/davinci14 \
   --device=/dev/davinci15 \
   --device=/dev/davinci_manager \
   --device=/dev/devmm_svm \
   --device=/dev/hisi_hdc \
   -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \
   -v /usr/local/dcmi:/usr/local/dcmi \
   -v /etc/ascend_install.info:/etc/ascend_install.info \
   -v /sys/fs/cgroup:/sys/fs/cgroup:ro \
   -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \
   -v /usr/bin/hccn_tool:/usr/bin/hccn_tool \
   -v /etc/hccn.conf:/etc/hccn.conf \
   --shm-size 1024g \
   --net=host \
   -v ${work_dir}:${container_work_dir} \
   --name ${container_name} \
   $image_name \
   /bin/bash

参数说明：

-v ${work_dir}:${container_work_dir}：代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。为方便两个地址可以相同。例如“/home/maptrv2:/home/maptrv2”
${work_dir}为宿主机中工作目录，目录下可存放项目所需代码、数据等文件。请确保容器内用户对此路径有足够的访问权限。

${container_work_dir}为要挂载到的容器中的目录。
--name ${container_name} 容器名称，进入容器时会用到，此处可以自己定义一个容器名称，例如“maptrv2_test”。
--device=/dev/davinci0 ：挂载对应卡到容器，请按照机器实际需要使用到的NPU数量来配置，上面给出的是使用16卡NPU训练的例子。
image_name：表示镜像名称或者镜像ID。
- 请确保容器内用户对${work_dir}有足够的访问权限。
- ${container_work_dir}不能为/home/ma-user目录，此目录为ma-user用户家目录。
- driver及npu-smi需同时挂载至容器。
- 不要将多个容器绑到同一个NPU上，会导致后续的容器无法正常使用NPU功能。

进入容器。

docker exec -u root -it ${container_name} bash

步骤三：容器内训练环境准备

创建新的虚拟环境。

conda create -n Maptrv2 --clone PyTorch-2.1.0
conda activate Maptrv2

创建项目目录。

mkdir -p /home/Maptrv2
cd /home/Maptrv2
export P_HOME=`pwd`

将获取到的插件代码包AscendCloud-ACD-*.zip文件上传到容器的${P_HOME}目录下，并解压。插件代码包获取请参见表2。
```
cd $P_HOME
unzip -q AscendCloud-ACD-*.zip    # 解压自动驾驶相关版本包
```

安装 DrivingSDK。

cd $P_HOME
git clone https://gitee.com/ascend/DrivingSDK.git -b master
cd DrivingSDK/
git checkout 633ef95628c23c76d5e3c2f81aaf4b2954895a4a
pip3 install -r requirements.txt
vim CMakePresets.json   # 修改 "ENABLE_ONNX": 为False
umask 0027  # 保证文件权限正确
bash ci/build.sh --python=3.10
cd dist/
pip install mx_driving-1.0.0+git633ef95-cp310-cp310-linux_aarch64.whl
pip3 show mx-driving
# mx-driving   1.0.0+git633ef95

安装mmcv-full 1.x。

# 卸载镜像内原有的mmcv 
pip uninstall mmcv
cd $P_HOME
git clone -b 1.x https://github.com/open-mmlab/mmcv.git
cd mmcv
git checkout 1d8f9285674f2b1f9f2d7758d3f945ebb74fcf82
git apply ../AscendCloudDriving-*/models/MapTRv2/mmcv_full.patch
MMCV_WITH_OPS=1 MAX_JOBS=8 FORCE_NPU=1 python setup.py build_ext
MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py install
pip list|grep mmcv
# mmcv-full  1.7.2

更新模型代码。

cd $P_HOME
git clone -b maptrv2 https://github.com/hustvl/MapTR.git
cd MapTR
git checkout e03f097abef19e1ba3fed5f471a8d80fbfa0a064
git apply ../AscendCloudDriving-*/models/MapTRv2/maptrv2.patch
cp -r ../AscendCloudDriving-*/models/MapTRv2/npu_scripts ./

安装mmdetection3d v1.0.0rc4源码。

cd $P_HOME/MapTR
rm -rf mmdetection3d
git clone -b v1.0.0rc4 https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
git checkout c9541b0db89498fdea5cafd05b7b17f7b625b858
git apply ../../AscendCloudDriving-*/models/MapTRv2/mmdetection.patch
pip install -e .

安装其它依赖。

pip install mmdet==2.28.2
pip install mmsegmentation==0.30.0
pip install av2
pip install numpy==1.23.2
conda install -c conda-forge geos
pip install Shapely==1.8.5

步骤四：准备训练数据集和模型权重

若没有准备数据集，需下载nuscenes数据集，然后再软连接到data目录。

创建data目录并将下载的数据集做预处理。

cd $P_HOME/MapTR
mkdir data && cd data
# 将下载好的数据集移动到此目录
ln -s /path/nuscenes ./
ln -s /path/can_bus ./
# 对数据集进行预处理
cd $P_HOME/MapTR
python tools/maptrv2/custom_nusc_map_converter.py --root-path ./data/nuscenes --out-dir ./data/nuscenes_pkl --extra-tag nuscenes --version v1.0 --canbus ./data

下载预训练模型权重。

cd $P_HOME/MapTR
mkdir ckpts
cd ckpts 
wget https://download.pytorch.org/models/resnet50-19c8e357.pth

最终目录结构如下。

MapTR
├── data/
│   ├── can_bus/
│   ├── nuscenes/
│   │   ├── lidarseg/
│   │   ├── maps/
│   │   ├── panoptic/
│   │   ├── samples/
│   │   ├── v1.0-test/
|    |    ├── v1.0-trainval/
|    |    ├── nuscenes_map_anns_val.json
|    |    ├── nuscenes_map_infos_temporal_test.pkl
|    |    ├── nuscenes_map_infos_temporal_train.pkl
|    |    ├── nuscenes_map_infos_temporal_val.pkl

步骤五：开始训练与评估

进行8卡训练（精度）

cd $P_HOME/MapTR
bash npu_scripts/train_full.sh  8

进行8卡训练（性能）

cd $P_HOME/MapTR
bash npu_scripts/train_perf.sh  8

进行16卡训练（性能）

cd $P_HOME/MapTR
bash npu_scripts/train_perf.sh  16

查看输出日志

# 精度结果目录
$P_HOME/MapTR/test/out/0/full
# 评估结果目录
$P_HOME/MapTR/test/out/0/perf

父主题： 自动驾驶模型训练推理

上一篇：自动驾驶模型训练推理

下一篇：OpenVLA模型基于ModelArts Lite Server适配PyTorch NPU训练指导

意见反馈

文档内容是否对您有帮助？

有帮助没帮助

提供反馈

提交成功！非常感谢您的反馈，我们会继续努力做到更好！您可在我的云声建议查看反馈及问题处理状态。

系统繁忙，请稍后重试

在使用文档中是否遇到以下问题

内容与产品页面不一致

内容不易理解

缺失示例代码

步骤不可操作

搜不到想要的内容

缺少最佳实践

意见反馈（选填）

0/500

请至少选择一项反馈信息并填写问题反馈

字符长度不能超过500

直接提交取消

如您有其它疑问，您也可以通过华为云社区问答频道来与我们联系探讨

盘古Doer提问云社区提问