Mmdetection3d学习笔记--bevfusion跑通 在nuscenes v1.0-mini数据集上

解决MIT源码环境问题：使用MMDetection3D部署BEVFusion项目,
最新推荐文章于 2025-08-28 18:36:32 发布
原创 最新推荐文章于 2025-08-28 18:36:32 发布 · 5.2k 阅读 · 55 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #笔记

作者遇到了MIT源代码环境部署的困难，因此选择通过MMDetection3D的项目来曲线救国。他们详细描述了如何配置环境，特别是针对CUDA版本安装torch和其他相关包。在数据集准备阶段，他们使用MMDetection3D提供的工具处理Nuscenesv1.0-mini数据集，并指出了在转换数据集中需修改的一个关键参数。在训练BEVFusion模型时，遵循项目文档，但因前期数据集参数未正确修改导致初期报错。

mit那个源代码的环境总是部署不好，所以曲线救国来跑open-mmlab上的project

话不多说，先根据mmdetection3d部署好环境

 环境配置

官网地址如下：开始你的第一步 — MMDetection3D 1.2.0 文档

我的环境配置如下：根据自己的cuda版本安装torch之后便可以根据安装流程安装mmcv mmdet mmengine等包

数据

最低0.47元/天 解锁文章
BEVFusion-mit复现与实践(nuscenes数据集)
mw的博客
12-20 1万+
单卡gpu不能满足，采用分布式训练，在mmdet3d/apis/train.py文件中把distributed参数设置为True，直接vs-code全局搜索找到distributed。：在mmdet3d/models/vtransforms/base.py中2个forward函数的参数都加上metas变量，加到**kwargs前。在mmdet3d/ops/spconv/src/indice_cuda.cu下，将里面的4096都改成256，否则会爆显存。（1）注释掉 mmdet3d/ops/
【3D目标检测】MMdetection3d——nuScenes数据集训练BEVFusion
qq_44703886的博客
08-31 2750
【3D目标检测】MMdetection3d——nuScenes数据集训练BEVFusion
BEVfusion论文复现：胎教级教程，小白也能学会（二、论文复现篇）
最新发布
Chenqinghe528的博客
08-28 2332
BEVfusion论文复现教程，小白也能实现。
全网首发——BevFusion训练KITTI数据集
weixin_72056722的博客
07-25 768
本文介绍了如何在资源有限的情况下，使用KITTI数据集进行多模态目标检测训练的方法。主要内容包括：1）配置文件修改，涉及雷达和融合支路的类别、数据集路径、模型参数等调整；2）数据读取方式的修改，需适配KITTI格式；3）训练效果显示该方法可获得与nuScenes相近的精度。文章为硬件资源有限的学习者提供了可行的替代方案，并欢迎进一步交流。
【3D目标检测】OpenPCDet——nuScenes数据集训练BEVFusion/TransFusion_L
qq_44703886的博客
08-22 3418
OpenPCDet——nuScenes数据集训练BEVFusion/TransFusion_L
MMdet3D--BEVFusion【2】训练报错以及解决方案
CSL275200的博客
08-08 3663
训练配置 RTX3090 单卡 24G cuda-11.8 torch-2.0.1数据集 nuscenes-v1.0mini前面我们已经对仅only-lidar进行训练，能够顺利跑通但是在训练lidar-camera融合时就报错。
autodl部署复现UniAD--使用nuscenes v1.0-mini
cxzzjw的博客
12-08 2464
由于本人目前在研究端到端自动驾驶，不过算力有限，因此打算在autodl上部署复现一下经典的UniAD，但是踩了许多坑。特此写下来记录一下（与官方文档不同的部分用红色标出），也方便大家复现，少走弯路。
windows11+RTX 4060+在mmdetection3d框架下跑通BEVfusion
weixin_52772811的博客
04-25 2223
在only_lidar.py中修改num_workers、persistent_workers和batch_size，因为lidar_cam.py继承它，在lidar_cam.py里面修改epoch。不过我的电脑16G显存也不够训练这个mini数据集的，batchsize已经设为1了，最后保存模型说是内存不足，打算后面去连服务器跑了！不知道为什么，后面某次试的时候突然又行了，很奇怪，数据集也没放错地方。我训练的是既有lidar也有cam的情况，
Bevfusion MMDetection3d数据处理过程详解
Jack_Man_N的博客
12-19 1365
Bevfusion MMDetection3d数据处理过程详解
MM3D框架中使用NuScenes的mini数据集跑通center point（包括环境配置）
weixin_57682236的博客
05-24 4139
这篇博客将详细的介绍如何在MM3D框架中运用nuscenes的mini数据集去跑通center point。
mmdetection3d:OpenMMLab的下一代通用3D对象检测平台
03-17
新闻：我们发布了代码库v0.11.0。 在最近的 2020第五届AI驾驶奥运会的赛中，我们获得了最佳PKL奖和多模式进入第二名，并且获得了仅有的视觉效果。 代码和模型即将发布！ 文档： : 介绍 English | master分支可与PyTorch 1.3+一起使用。 MMDetection3D是一个基于PyTorch的开源对象检测工具箱，面向用于通用3D检测的下一代平台。 它是MMLab开发的OpenMMLab项目的。 主要特点 开箱即用地支持多模态/单模态检测器 它直接支持多模态/单模态检测器，包括MVXNet，VoteNet，PointPillars等。 支持开箱即用的室内/室外3D检测 它直接支持流行的室内和室外3D检测数据集，包括ScanNet，SUNRGB-D，Waymo，nuScenes，Lyft和KITTI。 对于nuScenes数据集，我们还支持。 与2D
mmdetection3d-之（一）--FCOS3d训练nuscenes-mini数据集
flying_ant2018的博客
02-16 5850
fcos3d训练nuscenes-mini 数据集
【3D目标检测】MMdetection3d——搭建IS-Fusion环境+nuScenes数据集训练
qq_44703886的博客
11-05 1948
搭建IS-Fusion环境+nuScenes数据集训练
mmdetection3d SUN RGB-D数据集预处理
叶子的博客
11-30 6143
SUN RGB-D是普林斯顿大学发布的一种关于室内场景理解的数据集，共包含了10335个样本，其中训练样本和验证测试样本数量分别为5285和5050。每个样本包含了彩色图像（RGB）和深度（D）信息，并且分别进行了二维和三维标注。数据集的具体细节将在后续进行补充，这里主要介绍如何在mmdection3d中使用SUN RGB-D数据集。
Bevfusion MMDetection3d 环境安装
Jack_Man_N的博客
12-18 792
Bevfusion MMDetection3d 环境安装. 有问题扣扣 780602336 细说
基于mmdetection3d框架配置BEVFusion
h904798869的博客
12-13 7309
基于mmdetection3d框架配置BEVFusion， 环视感知系统，激光与视觉融合感知系统
使用mmdet3d复现bevfusion(mit)的一些记录
weixin_64174049的博客
06-29 2991
新建disk_b/nuscenes，mmdet3d的代码在disk_a中在nuscenes/下新建maps文件夹把nuScenes-map-expansion-v1.3.zip解压到里面。其他直接用tar zxvf 文件名.tgz -C ./ 解压到/nuscenes下即可。
ubuntu20.04 批量下载 NuScenes V1.0 full 数据集
weixin_40013731的博客
06-14 6576
ubuntu20.04 批量下载 NuScenes V1.0 full 数据集
nuScenes数据集及mmdetection3d中的相关处理
weixin_68094467的博客
08-05 1708
nuScence数据集共有5类坐标系，定义分别如下：注：全局坐标系的原点位于该场景地图左上角（该信息对可视化有帮助）。nuScenes同时也提供了各传感器与自车坐标系、自车坐标系与全局坐标系之间的坐标平移矩阵与旋转矩阵（四元数表达），以及各相机的内参矩阵。
mmdetection3d跑nuscenes-mini数据集
03-15
### 如何使用 MMDetection3d 训练 NuScenes-Mini 数据集 MMDetection3d 是一个强大的开源框架，支持多种 3D 检测任务。为了在 NuScenes-mini 数据集上进行训练，需要完成以下几个方面的设置。 #### 1. 文件夹结构准备 首先，确保数据集的文件夹结构符合预期。对于 NuScenes-mini 数据集，其目录应按照以下方式组织： ```plaintext mmdetection3d/ ├── mmdet3d/ ├── tools/ ├── configs/ ├── data/ └── nuscenes/ ├── maps/ ├── samples/ ├── sweeps/ ├── v1.0-mini/ ├── nuscenes_database/ ├── nuscenes_infos_train.pkl[^1] ├── nuscenes_infos_val.pkl ├── nuscenes_dbinfos_train.pkl ├── nuscenes_infos_train_mono3d.coco.json ├── nuscenes_infos_val_mono3d.coco.json ``` 上述文件可以通过官方脚本 `tools/data/nuscenes/create_nuscenes_infos.py` 自动生成。执行命令如下所示： ```bash python tools/data/nuscenes/create_nuscenes_infos.py nu_scenes_data_root --version=v1.0-mini ``` 此操作会生成所需的 `.pkl` 和 `.json` 文件。 --- #### 2. 配置文件调整 MMDetection3d 提供了丰富的预定义配置文件，位于 `configs/` 目录下。针对 NuScenes 数据集的任务（如检测或多视角 3D），可以选择合适的基线模型并修改参数。 以下是基于第二阶段投票网络 (VoxelNet 或 PointPillars) 的配置模板路径及其说明： - **PointPillars**: 基于鸟瞰图 (BEV) 的轻量级方法，适合实时应用。 ```plaintext configs/pointpillars/pointpillars_secfpn_6x8_160e_kitti-3d-car.py ``` - **CenterPoint**: 更先进的两阶段检测器，在多个基准测试中表现优异。 ```plaintext configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py ``` 假设我们选择了 CenterPoint 模型作为基础架构，则需创建一个新的配置文件 `my_centerpoint_mini.py` 并继承默认配置： ```python _base_ = 'configs/centerpoint/centerpoint_02pillar_second_secfpn_4x8_cyclic_20e_nus.py' data_root = 'data/nuscenes/' data = dict( train=dict( ann_file=data_root + 'nuscenes_infos_train.pkl', data_prefix=dict(pts='samples', sweeps='sweeps')), val=dict( ann_file=data_root + 'nuscenes_infos_val.pkl', data_prefix=dict(pts='samples', sweeps='sweeps'))) ``` 在此基础上，可以进一步微调超参数，例如学习率调度策略、批量大小等。 --- #### 3. 启动训练过程 准备好数据和配置后，即可启动训练流程。通过以下命令运行训练脚本： ```bash python tools/train.py my_centerpoint_mini.py --work-dir work_dirs/my_centerpoint_mini ``` 其中： - `--work-dir`: 指定保存日志和权重文件的工作目录。 - 如果 GPU 资源充足，还可以附加分布式选项以加速计算： ```bash ./tools/dist_train.sh my_centerpoint_mini.py 8 ``` 这将利用 8 张 GPU 进行多卡训练。 --- #### 4. 可视化验证 在训练过程中或完成后，可借助内置工具对预测结果进行可视化分析。例如，加载已有的检查点文件并对验证集样本绘制边界框： ```bash python tools/test.py \ my_centerpoint_mini.py \ work_dirs/my_centerpoint_mini/latest.pth \ --show --show-dir vis_results ``` 或者直接查看原始数据分布情况： ```bash python tools/misc/browse_dataset.py \ configs/_base_/datasets/nuscenes.py \ --task det --online ``` 以上命令能够帮助开发者快速理解输入特征的空间特性以及标注质量。 --- ### 总结 综上所述，要成功地在 MMDetection3d 中训练 NuScenes-mini 数据集，主要涉及三个核心环节：数据预处理、定制化配置设计以及实际运算控制。每一步都依赖清晰的操作指南与精确的技术实现[^2]。 ---
评论 20
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值