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：2025-09-08 GMT+08:00
查看PDF
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