文档首页/ AI开发平台ModelArts/ 最佳实践/ 自动驾驶模型训练推理/ PointPillar模型基于ModelArts Lite Server适配PyTorch NPU训练指导
更新时间:2025-08-06 GMT+08:00
分享

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

方案概览

PointPillar是一种高效的三维目标检测模型,专为自动驾驶场景设计,其核心创新在于将点云数据转换为伪图像,再利用成熟的2D卷积神经网络进行处理,实现了速度与精度的平衡,尤其适合实时自动驾驶系统。

本方案介绍了在ModelArts Lite Server上使用昇腾计算资源Ascend Snt9B(8卡)或Snt9B23(16卡)开展PointPillar模型训练的过程。

资源规格要求

推荐使用“西南-贵阳一”Region上的Lite Server资源和Ascend Snt9B或Snt9B23单机。

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

24.1.RC3.5(Snt9B23)

24.1.0.6(Snt9B)

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

  1. 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

  2. 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。

  3. 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
  4. 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:启动容器

  1. 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}
  2. 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="镜像名称或ID"
    # --device的挂载请按照机器实际需要使用的npu数量来规划 下面给出的是16卡机器的例子
    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 ${container_name} 容器名称,进入容器时会用到,此处可以自己定义一个容器名称,例如“pointpillars_test”。
    • --device=/dev/davinci0 :挂载对应卡到容器,请按照机器实际需要使用到的NPU数量来配置,上面给出的是使用16卡NPU训练的例子。
    • image_name:表示镜像名称或者镜像id
  3. 进入容器。需要将${container_name}替换为实际的容器名称。
    docker exec -it ${container_name} bash

步骤二:上传代码、权重和数据集到容器中

  1. 创建新的虚拟环境。
    conda create -n PointPillars --clone PyTorch-2.1.0
    conda activate PointPillars
  2. 创建项目目录。
    mkdir -p /home/PointPillars
    cd /home/PointPillars
    export P_HOME=`pwd`
  3. 下载模型代码,将插件代码包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考表2 获取软件和镜像
    cd $P_HOME
    # 解压zip包后,生成一个AscendCloudDriving-*文件夹目录,后续操作将对此进行文件移动
    unzip -q AscendCloud-ACD-*.zip
  4. 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
  5. 安装依赖。
    pip install numpy==1.24.2
  6. 安装mmcv。
    pip uninstall mmcv
    cd $P_HOME
    git clone https://github.com/open-mmlab/mmcv.git
    cd mmcv
    git checkout 90d83c94cfb967ef162c449faf559616f31f28c2
    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  2.2.0
  7. 安装mmengine。
    pip install -U openmim 
    mim install mmengine
  8. 安装setuptools
    pip install setuptools==65.5.1
  9. 安装mmdet源码。
    cd $P_HOME
    git clone https://github.com/open-mmlab/mmdetection.git
    cd mmdetection
    git checkout cfd5d3a985b0249de009b67d04f37263e11cdf3d
    git apply ../AscendCloudDriving-*/models/PointPillar/mmdetection.patch
    pip install -e .
  10. 安装mmdet3d包。
    cd $P_HOME
    git clone https://github.com/open-mmlab/mmdetection3d.git
    cd mmdetection3d
    git checkout 962f093736ffe55c089bc618842a8b8567318c8c
    git apply ../AscendCloudDriving-*/models/PointPillar/mmdetection3d.patch
    pip install -e .
    cp -r ../AscendCloudDriving-*/models/PointPillar/npu_scripts ./
  11. 准备数据集。

    a. 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。

    准备PointPillar数据信息,从官网获取
    cd $P_HOME/mmdetection3d
    cd data
    ln -s path/to/nuscenes ./

    目录结构如下

        mmdetection3d/
        ├── data/
        │   ├── nuscenes/
        │   │   ├── maps/
        │   │   ├── samples/
        │   │   ├── sweeps/
        │   │   ├── can_bus/
        │   │   ├── lidarseg/
        │   │   ├── v1.0-test/
        |   │    ├── v1.0-trainval/
        |   │    ├── nuscenes_gt_database/
        |   │    ├── nuscenes_dbinfos_train.pkl
        |   │    ├── nuscenes_infos_val.pkl
        |   │    ├── nuscenes_infos_train.pkl
        |   │    ├── nuscenes_infos_val.pkl
        |   │    ├── nuscenes_infos_test.pk
    b. 进行数据预处理
    cd $P_HOME/mmdetection3d
    python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes

步骤四:开始训练

  1. 性能测试
    • 单机8卡
      cd $P_HOME/mmdetection3d
      bash npu_scripts/train_perf.sh  8
    • 单机16卡
      cd $P_HOME/mmdetection3d
      bash npu_scripts/train_perf.sh  16 
  2. 精度测试
    cd $P_HOME/mmdetection3d
    bash npu_scripts/train_full.sh  8
  3. 查看输出日志。
    # 精度输出日志
    $P_HOME/mmdetection3d/tests/output/0/full/
    # 性能输出日志
    $P_HOME/mmdetection3d/tests/output/0/perf/

相关文档