CenterPoint 工程复现

注意：本文中使用版本：BEVerse工程下的mmdet3d (MMDet3d v0.17.3)版本，MMDetection3D中其他版本的使用大同小异。
欢迎有疑问的同学在下方留言，如果觉得有用的话，可以点赞+收藏，再次表示感谢！

参考：
1. nuscenes官方使用举例
2. CenterPoint 论文速读
3. BEVerse 论文速读

一. 下载和安装工程

详细参考：MMdet3d官方文档

pip install openmim
mim install mmcv-full   # 此时1.6.1版本
mim install mmdet
mim install mmsegmentation
git clone https://github.com/open-mmlab/mmdetection3d.git
cd mmdetection3d
pip install -e .

注意：
如果需要安装特定版本的mmcv可以参考如下命令，详细请看mmcv官方文档，mmdet3d_v1.1.0

pip install mmcv==2.0.0rc1 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.12.0/index.html

二. 准备nuscenes数据集

参考之前文章Nuscenes 完整版数据集批量下载，如果只是玩玩可以下载nuscenes v1.0-mini版本，但用mini版本数据量太小，训练结果一定不理想。

三. 数据预处理及坐标系变换

python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes --version v1.0-mini

注意：
1）如果使用mmdet3d官方的 master分支代码，生成过程中报错FileNotFoundError: NuScenesDataset: [Errno 2] No such file or directory, 原因在于–out-dir路径问题，需要设置./data/nuscenes, 不能自定义路径，为了保证原数据与预处理后数据在一个路径下，即

mmdetection3d
├── mmdet3d
├── tools
├── configs
├── data
│   ├── nuscenes
│   │   ├── maps
│   │   ├── samples
│   │   ├── sweeps
│   │   ├── v1.0-test
|   |   ├── v1.0-trainval
│   │   ├── nuscenes_database
│   │   ├── nuscenes_infos_train.pkl
│   │   ├── nuscenes_infos_trainval.pkl
│   │   ├── nuscenes_infos_val.pkl
│   │   ├── nuscenes_infos_test.pkl
│   │   ├── nuscenes_dbinfos_train.pkl
│   │   ├── nuscenes_infos_train_mono3d.coco.json
│   │   ├── nuscenes_infos_trainval_mono3d.coco.json
│   │   ├── nuscenes_infos_val_mono3d.coco.json
│   │   ├── nuscenes_infos_test_mono3d.coco.json

2）v1.0.x 以后的MMDet3d版本需要坐标系重构
数据需要进行坐标系重构，尤其是nuscenes数据集，v1.0以后的mmdet3d版本尤其注意，因为官方为了避免歧义，已经将坐标系进行了统一。
具体可以参考Coordinate system refactoring，执行脚本如下，新文件保存到/data/nuscenes_convert_infos/下面。

python tools/update_data_coords.py nuscenes --root-dir ./data/nuscenes_infos/ --out-dir ./data/nuscenes_convert_infos/

四. 模型训练

4.1 配置文件名说明
以centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py为例

`{model}`: 模型类型 `centerpoint`.
`{model setting}`:体素尺寸和体素类型 ，如 `01voxel`, `02pillar`.
`{backbone}`: 主干网路，如 `second`.
`{neck}`: neck类型，如 `secfpn`.
`[dcn]`: 是否使用可变卷积.
`[circle]`: 是否使用循环nms
`[batch_per_gpu x gpu]`: 每个gpu上batch数目*gpu数目 , 默认4x8，即4batch×8gpu
`{schedule}`: 训练计划, 可选项 1x, 2x, 20e, etc. 1x = 12epochs ， 2x = 24 epochs ， 20e = 20 epochs. 对于 1x/2x, 初始化学习率在 8/16th and 11/22th epochs 衰减到0.1 . 对于 20e, 初始化学习率在16th and 19th epochs 衰减到0.1.
`{dataset}`: 数据集，如 nus-3d, kitti-3d, lyft-3d, scannet-3d, sunrgbd-3d. 我们也可制定类别或者使用单一类别，如 kitti-3d-3class and kitti-3d-car。

注意：训练时候使用centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus_novelo.py会在数据采样器位置报除数为0的bug，暂时不是太明确novelo含义？

4.2 执行训练脚本

CUDA_VISIBLE_DEVICES=0,1,2,3 bash tools/dist_train.sh configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py 8

注意： 默认采用 4batch × 8gpu 的方式，如果并非此配置训练，对应可能需要修改相应的超参，如学习率等。

五. 模型评测

5.1 执行评测脚本

注意： 官方在configs/centerpoint/metafile.yml提供了一些预训练模型的下载，可以根据需要自行下载并测试。

5.1.1 查看mAP, NDS等测评指标

bash tools/dist_test.sh configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_
cyclic_20e_nus.py work_dirs/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus/epoch_20.pth 4 --eval mAP

注意： 如果一个GPU ，去掉 –mtl
评估指标截图（centerpoint_0075voxel_second_secfpn_circlenms_4x8_cyclic_20e_nus_20200925_230905-358fbe3b.pth）：

5.1.2 可视化

1. 离线可视化，适用于服务器
   先在服务器上生成结果文件，再拷贝到本地查看，详情查看可视化。

## 生成pkl检测结果文件
python tools/test.py configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py work_dirs/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus/epoch_50.pth --eval 'mAP' --eval-options 'show=False' --out './eval_visualize/mini_test.pkl'

## 针对pkl结果文件进行本地可视化
python tools/misc/visualize_results.py configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py --result ./data/mini_test.pkl --show-dir ./figs/

可视化pkl检测效果：

2. 第二种思路是实时可视化，适用于本机，支持GUI显示，而非服务器，但只能显示预测值

python tools/test.py configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py checkpoints/centerpoint_epoch_50.pth --show --show-dir ./figs

在线可视化效果：

5.2 评测结果异常可能原因汇总

1. 预处理数据后，是否执行坐标系重构脚本，非常老的老版本不需要进行坐标系重构。
2. 注意使用所属数据集版本，如果使用mini版本评测结果，会出现许多类别AP为0的情况，导致最后的mAP比文中的低6-8个点。
   
   

六. Bug调试可能遇到的问题

Q1： mmdet3d/ops/spconv/src/indice_cuda.cu 124
A1：ops 算子错误

Q2： ImportError: /opt/conda/lib/python3.8/site-packages/mmcv/_ext.cpython-38-x86_64-linux-gnu.so: undefined symbol:
A2： 通常是mmcv版本与torch版本不对应，先卸载mmcv，再重新安装，注意修改下面torch(gpu)后面的版本号。

pip uninstall mmcv-full 
pip install mmcv==2.0.0rc1 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.12.0/index.html

Q3: 测试过程中出现 TypeError: ‘DataContainer’ object is not iterable
A3： mmcv版本不对，可以根据区间要求，挨个尝试，推荐mmcv-full 1.6.0，参考Q2安装。

Q4： fatal error: THC/THC.h: No such file or directory
A4： torch版本需要降级。

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.1 -f https://download.pytorch.org/whl/torch_stable.html

Q5：ImportError: cannot import name ‘ball_query_ext’ from partially initialized module ‘mmdet3d.ops.ball_query’
A5： 忘记torch重新安装后，需要重新编译算子

cd mmdetection3d
python setup.py develop

Q6：mportError: libtorch_cuda_cu.so: cannot open shared object file: No such file or directory 并且 returned non-zero exit status 1
A6：服务器问题，有时候torch 没有安装成功，退出虚拟环境，重新进入安装

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.1 -f https://download.pytorch.org/whl/torch_stable.html