BEVFusion(mit)最强环境安装，部署复现
0.前言
最近在做BEV视图下融合感知的项目，需要对相关工作进行学习。作为一项经典的工作，值得深入探索，论文地址，代码地址。然而由于配置环境比较麻烦，耽误了一些时间。经过几次成功配置之后，有了一些总结，在这里记录下来，供大家参考，也方便自己下次查阅。
首先，要知道这个工程对于电脑配置要求比较高。我目前在3090和3060上都成功了，但是再低一些可能就不太行了，为1的时候显存占用8-9G。当前我配环境的这台电脑配置是3060显卡，16G内存，12G显存。如果你的电脑配置很低，那还是别麻烦了，或者换更好的配置。
目录如下，如果显卡驱动话cuda都安装好了，直接进入第三步！
0.前言
1.显卡驱动安装
2.cuda安装
3.环境配置
4.数据准备
5.终端训练与测试
6.用 进行 debug
1.显卡驱动安装
如果你的电脑还没有安装显卡驱动，需要根据系统推荐的进行安装。查看是否有显卡驱动的指令是：
nvidia-smi如果显示了如下所示的详细信息：
则说明有显卡驱动，可以直接跳到下一步。否则需要先安装显卡驱动，安装步骤如下。
1.注意！在安装驱动以前需要禁止系统自带显卡驱动：可以先通过指令
lsmod | grep nouveau查看驱动的启用情况，如果有输出表示驱动正在工作，如果没有内容输出则表示已经禁用了。禁用的方法:禁用
2.安装有好几种方法，这里介绍一种比较简单的方法，即在‘软件和更新’里面下载。选中合适的版本，点击应用更改，下载完成之后重启即可，再次用-smi查看。
本文档的重点不在此，如果想用其他方法，参考：安装显卡驱动详细步骤
%257B%%%2522%253A%%2522%252C%%2522%253A%...%2522%257D&=&=0&=..none-task-blog-2~all~~-3--null-null.142^v88^,239^v2^&=%E5%AE%89%E8%A3%85%20%E6%98%BE%E5%8D%A1%E9%A9%B1%E5%8A%A8&spm=1018.2226.3001.4187
2.cuda安装
cuda的版本需要根据显卡来选择，运行-smi之后，可以看到显卡支持的最高cuda版本，那么我们安装的cuda版本要小于等于这个上限。但是又不能太低，有的显卡型号比较新，装了太老的cuda反而会出问题。我查到的是11.4，于是安装了.3，具体步骤如下：
（1）首先，进入下面的网址，点击对应版本的cuda。cuda选择官网
（2）在终端中运行生成的两个指令，分别是下载和安装cuda。下载到99%时出现段错误（核心已转储）。参考：安装CUDA段错误（核心已转储）解决方案
（3）安装时注意有几处需要选择，第一处选择，第二处输入，第三处用空格取消，并选择。这样选择防止再次安装其他版本的显卡驱动导致出问题。
（4）配置环境变量
sudu gedit ~/.bashrc在后面加上
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export PATH=$PATH:/usr/local/cuda/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda保存之后，记得一下
source ~/.bashrc查看cuda是否安装成功
nvcc -V3.环境配置
下面正式开始配环境啦。
（1）下载安装，我也不知道这个到底需不需要，安了没有副作用。
wget https://download.open-mpi.org/release/open-mpi/v4.1/openmpi-4.1.4.tar.gz
解压
cd openmpi-4.1.4./configure –prefix=/usr/local/openmpimake -j8sudo make install~/.bashrc文件里添加环境变量：MPI_HOME=/usr/local/openmpi
OMPI_MCA_opal_cuda_support=true
export PATH=${MPI_HOME}/bin:$PATH
export LD_LIBRARY_PATH=${MPI_HOME}/lib:$LD_LIBRARY_PATH
export MANPATH=${MPI_HOME}/share/man:$MANPATH测试安装是否成功
cd openmpi-x.x.x/examples
make
mpirun -np 4 hello_c
（2）创建虚拟环境并安装torch
conda create -n bevfusion_mit python=3.8#在安装torch的时候指定cuda版本，不容易出问题，cu113指cuda 11.3
pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 -f https://download.pytorch.org/whl/torch_stable.html
（3）安装下列...
#安装mmcv的时候同样指定cuda和torch版本，cu113指cuda 11.3
pip install mmcv-full==1.4.0 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.htmlpip install mmdet==2.20.0conda install openmpiconda install mpi4pypip install Pillow==8.4.0pip install tqdmpip install torchpackpip install nuscenes-devkitpip install ninjapip install numpy==1.19.5pip install numba==0.48.0pip install shapely==1.8.0
（4）下载代码并做一些小修改
git clone https://github.com/mit-han-lab/bevfusion.git1.把/ops//src/.cu里面的4096都改成256
2.对于编译脚本 setup.py，需要把显卡算力改成自己对应的。在下面这个链接里查出你的显卡对应的算力，然后选择用哪一行：
"-=arch=,code=sm_70"
"-=arch=,code=sm_75"
"-=arch=,code=sm_80"
"-=arch=,code=sm_86"
CUDA GPUs - | 查到3060显卡的算力为86.
3.开始编译
python setup.py develop4.数据准备
（1）下载数据集，如果有需要就下载完整版，学习代码可以下载mini
官网：
(2) 把文件夹格式改成下面这个样子，注意这个单词全部小写。
#正常版本，结构如下：
bevfusion-mit
├── tools
├── configs
├── data
│ ├── nuscenes
│ │ ├── maps
│ │ ├── samples
│ │ ├── sweeps
│ │ ├── lidarseg (optional)
│ │ ├── v1.0-test
| | ├── v1.0-trainval#如果下载的是mini版本，结构如下：
bevfusion-mit
├── tools
├── configs
├── data
│ ├── nuscenes
│ │ ├── maps
│ │ ├── samples
│ │ ├── sweeps
│ │ ├── v1.0-mini
注意：还要下载Map pack(v1.3) 然后解压到maps文件夹中。否则后面运行的时候会报错！
（3）接下来运行数据转换的脚本
#同样的，如果是正常版本，运行：
python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes#如果是mini版本，运行：
python tools/create_data.py nuscenes --root-path ./data/nuscenes/ --version v1.0-mini --out-dir data/nuscenes/ --extra-tag nuscenes转换的过程如下所示：
完成之后，文件夹是这样的，增加了几个.pkl文件和。
#正常版本：
├── data
│ ├── nuscenes
│ │ ├── maps
│ │ ├── samples
│ │ ├── sweeps
│ │ ├── lidarseg (optional)
│ │ ├── v1.0-test
| | ├── v1.0-trainval
│ │ ├── nuscenes_database
│ │ ├── nuscenes_infos_train.pkl
│ │ ├── nuscenes_infos_val.pkl
│ │ ├── nuscenes_infos_test.pkl
│ │ ├── nuscenes_dbinfos_train.pkl#mini版本
├── data
│ ├── nuscenes
│ │ ├── maps
│ │ ├── samples
│ │ ├── sweeps
│ │ ├── v1.0-mini
│ │ ├── nuscenes_database
│ │ ├── nuscenes_infos_train.pkl
│ │ ├── nuscenes_infos_val.pkl
│ │ ├── nuscenes_dbinfos_train.pkl
我用的是mini，全部完成之后是这样的：
（4）下载预训练权重
5.终端训练与测试 （1）训练,官方给的是分布式训练：
torchpack dist-run -np 1 python tools/train.py configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml --model.encoders.camera.backbone.init_cfg.checkpoint pretrained/swint-nuimages-pretrained.pth --load_from pretrained/lidar-only-det.pth训练结束
训练时如果报显存溢出，把这两个调到最小：
（2）测试：
torchpack dist-run -np 1 python tools/test.py configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml pretrained/bevfusion-det.pth --eval bbox训练和测试中可能遇到的问题以及方法：
1.找不到maps中的一些东西。
解决方法，下载Map pack(v1.3) 然后解压到maps文件夹中。
2.算力设置不匹配。
3.cuda和torch的版本不匹配
解决：环境配置——cuda、、cudnn、torch、对应版本
4.如果报错中包含，看一下版本，65.0的太新了，卸载重新下59.5.0，解决。
6.用 进行 debug
想要利用对代码进行debug，就不得不把运行语句改成 xxx.py --，但是目前为止上述都是分布式的语句，前面带了 dist-run -np这句话，而是不认识的，因此需要把原来的训练或测试脚本改成普通的。经过探索，还是没能把tools/train.py改好，但是把tools/test.py改好了。需要对tools/test.py做两点改动：
（1）注释dist.init()
（2）把=True 改成False
此时终端测试语句就可以变成：
python tools/test.py configs/nuscenes/det/transfusion/secfpn/camera+lidar/swint_v0p075/convfuser.yaml pretrained/bevfusion-det.pth --eval bbox相应的，现在就可以在中配置的测试了
（1）打开项目，并选择虚拟环境。 配置Conda环境
（2）配置debug的，打开Run/Debug 。
（3）添加。选择要运行的脚本，填入配置的参数，选择运行的文件夹。注意文件夹不对的话无法访问相对路径。
（4）打断点，进行debug
这个(mit)的环境安装，以及部署复现的教程就写到这了，后面将对代码进行深入学习。可能还会发一些心得和记录。
