MIT-BEVFusion系列九--CUDA-BEVFusion部署1 debug代码

已于 2024-02-22 13:12:22 修改
阅读量1.4k 收藏 31
点赞数 23
文章标签： CUDA CUDA-BEVFusion 模型算法部署 自动驾驶 bev nvidia
于 2024-02-19 23:58:41 首次发布
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。
本文链接：https://blog.youkuaiyun.com/duanmushuangquan/article/details/136179984
版权
本文介绍了CUDA-BEVFusion项目中的调试技巧，包括如何修改CMakeLists.txt和launch.json进行Debug设置，以及如何理解常用数据结构如numel_frustum_、numel_geometry_等。还提到如何处理16进制变量和正确解读ranks_与indices的关系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

该系列文章与qwe一同创作，喜欢的话不妨点个赞。

在一起看CUDA-BEVFusion的代码前，我们把后面会常见到的变量以及他的含义写在前方，看代码的时候如果看到同名的变量，可以过来看一看数据的形状和含义。

另外这里介绍了开启debug的方法。

总而言之，本篇文章是一个类似前言的文章，方便后续大家调试代码，理解代码。

开启Debug

  1. 修改 CMakeLists.txt，注释 26 行，打开 27 行注释。

在这里插入图片描述
修改前，默认设置

在这里插入图片描述
修改后

  1. 重新运行 bash tool/run.sh。重新构建

    1. run.sh 中 41 行默认会执行 build/bevfusion。推理一次。只想构建，注释掉 41 行即可
      在这里插入图片描述

  2. Debug

最低0.47元/天 解锁文章
【CUDA-BEVFusion】可视化头文件src/common/visualize.hpp 说明
old_power的博客
01-16 885
【CUDA-BEVFusion】可视化头文件src/common/visualize.hpp 说明
BEVFusion-复现问题:CUDA error: no kernel image is available for execution on the device
ll594282475的博客
06-20 1608
BEVFusion RuntimeError: CUDA error: no kernel image is available for execution on the device CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect. For debugging consider passing CUDA_LAUNCH_B
八. 实战：CUDA-BEVFusion部署分析-coordTrans Precomputation
周同学的博客
09-22 1827
八. 实战：CUDA-BEVFusion部署分析-coordTrans Precomputation
MIT-BEVFusion系列九--CUDA-BEVFusion部署6 前向推理的数据加载与图像预处理
duanmushuangquan的博客
03-03 1733
数据如何处理
CUDA-BEVFusion环境部署与推理运行(Lidar_AI_Solution)
mw的博客
12-29 2956
TensorRT可以在NVIDIA各种GPU硬件平台下运行的模型推理框架，将pytorch等框架训练好的模型转化为TensorRT的格式，利用推理引擎去运行该模型，提升模型运行速度。
MIT-BEVFusion系列九--CUDA-BEVFusion部署2 create_core之参数设置
duanmushuangquan的博客
02-20 1595
cuda-bevfusion中的参数设置
八. 实战：CUDA-BEVFusion部署分析-BEVFusion Initialization
周同学的博客
09-22 1623
八. 实战：CUDA-BEVFusion部署分析-CUDA-BEVFusion Initialization
MIT-BEVFusion系列九--CUDA-BEVFusion部署4 c++解析pytorch导出的tensor数据
duanmushuangquan的博客
02-23 1621
流用于表示一系列的命令（如内存传输命令和核函数执行命令）在 GPU 上的执行顺序。流中的命令按照它们被插入的顺序在 GPU 上执行，但不同流中的命令可以并行执行。这部分用于打印这四个 engine 的信息，包含模型名称和绑定点的信息(输入输出是否为动态形状，输入输出节点索引、名称、维度和类型)。本章的重点在于pytorch导出的tensor数据的解析。这里会打印出执行CUDA-BEVFusion时，终端打印的信息中的网络信息。通过数据的读取，我们可以大致看一下作者是如何设计的。，即具体的数据的起始地址。
MIT-BEVFusion系列九--CUDA-BEVFusion部署5 update、矩阵逆运算、预计算
duanmushuangquan的博客
03-03 1613
update是cudabevfusion中非常重要的一部分。
MIT-BEVFusion系列九--CUDA-BEVFusion部署3 create_core方法2
duanmushuangquan的博客
02-22 1216
create_core其余部分
CUDA-BEVFusion:使用CUDA & TensorRT进行BEVFusion推理
最新发布
01-04
CUDA-BEVFusion:使用CUDA & TensorRT进行BEVFusion推理
八. 实战：CUDA-BEVFusion部署分析-forward
周同学的博客
11-11 1754
八. 实战：CUDA-BEVFusion部署分析-forward
八. 实战：CUDA-BEVFusion部署分析-环境搭建
周同学的博客
12-31 7480
八. 实战：CUDA-BEVFusion部署分析-环境搭建
MIT-BEVFusion系列九--CUDA-BEVFusion部署3 create_core方法1
duanmushuangquan的博客
02-22 1450
create_core的另一个重要作用，反序列化engine
Lidar-AI-Solution/CUDA-BEVFusion环境配置
weixin_43241894的博客
07-11 1054
对于libprotobuf-dev == 3.6.1的要求，要安装3.6.1的protobuf，但是电脑里已有其他版本的protobuf，需要查看一下都有什么版本。显示的版本可能都不一样，conda环境下的就不管了，得把前两个protoc都统一到3.6.1版本的protobuf，按照如下方式安装3.6.1版protobuf。首先确定你的显卡型号和性能，我第一次配置环境就找了个算力不够的，配置到最后发现跑不起来很尴尬，然后按照链接先。学习BEVFusion，配置一下环境。然后按照配置要求安装。
BEV感知---BevFusion详解
qq_44799766的博客
03-21 1万+
一种非常经典的多模态融合感知方案叫 BEVFusion。这是一种用于多任务多传感器 3D 感知的高效通用框架。BEVFusion 将相机和 LiDAR 功能统一在共享 BEV 空间中，完全保留几何和语义信息。相机和点云分支没有明显的主次关系，相互独立，结果上又相辅相成。高效、准确的多传感器感知对于自动驾驶汽车的安全至关重要。BEVFusion 将最先进的多传感器融合模型的计算成本降低了一半，并在小而远的物体以及雨天和夜间条件下实现了大幅精度提高。它为安全、稳健的自动驾驶铺平了道路。
模型部署 - BevFusion - 思路总结
点云算法工程师
03-04 2259
PyTorch 转 ONNX 转 TRTFP16 优化cuda-graph 优化INT8 量化优化ONNX 模型层面优化Pipeline 优化模型内深度优化我们需要先快速的去了解网络，然后将其转换成 Onnx 和 Tensorrt，然后再去根据结果进行二次优化。
BEVFusion(mit)最强环境安装，部署复现
热门推荐
qq_45783225的博客
06-21 1万+
BEVFusion作为一项经典的工作，值得深入探索。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，供大家参考避坑，也方便自己下次查阅。
bevfusion代码阅读
qq_42719217的博客
07-18 2514
中弹出键为 'type' 的值，该值指定了要构建的对象类型。如果该值是一个字符串，函数从注册表中获取对应的类对象；如果该值是一个类对象，则直接使用该对象；否则，抛出一个类型错误。此函数的作用是根据配置字典构建一个模块对象，可以根据需要自定义配置来构建不同的模块。这段代码是一个函数，用于根据配置字典构建一个模块对象。函数的参数包括一个配置字典。最后，函数使用构建好的类对象和剩余的参数构建一个对象，并返回该对象。函数首先进行参数的类型检查，确保。，和一个可选的默认参数字典。
mit-bevfusion代码复现
12-31
### 实现 MIT BEVFusion 项目代码复现教程 #### 准备工作 为了顺利进行BEVFusion项目的代码复现，确保安装了必要的依赖库和工具。这些准备步骤包括但不限于Python版本的选择、虚拟环境的创建以及特定软件包的安装。 #### 安装依赖项 按照官方文档说明来设置开发环境是非常重要的。通常情况下，建议使用`conda`管理环境以简化依赖关系处理过程[^2]： ```bash conda create -n bev_env python=3.8 conda activate bev_env pip install -r requirements.txt ``` #### 数据集获取与预处理 获得适当的数据集对于训练模型至关重要。根据BEVFusion的要求下载所需数据集，并遵循其指定的方式完成数据预处理操作。这可能涉及到将原始传感器读数转化为适合输入给定网络架构的形式，比如通过VoxelNet处理激光雷达点云数据[^1]。 #### 模型构建 理解并实现多模态融合的核心在于掌握不同传感模式间信息交互机制的设计原理。具体来说，在本案例中是指如何有效地将在BEV视角下的图像特征同LiDAR特征相结合。此部分涉及到了解两个主要流程——即从摄像头视频帧提取语义丰富的视觉描述子及其向BEV坐标的映射方法；还有就是怎样利用全卷积神经网络(FCN)达成异构源间的无缝衔接[^3]。 #### 训练与评估 一旦完成了上述准备工作，则可以着手于实际的实验环节。调整超参数直至找到最优组合，并定期保存检查点以便后续分析性能表现。此外，还需定义合理的评价指标体系用于衡量最终成果的好坏程度。 #### 调试优化 面对可能出现的各种问题时，耐心细致地排查错误根源所在显得尤为关键。无论是硬件资源不足还是算法逻辑缺陷都可能是造成进度受阻的原因之一。针对这些问题采取有效的解决措施能够显著提升工作效率。
评论 1
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