PETRV2-BEV模型训练指南：星图AI平台新手入门完整教程

新手必看：在星图AI平台训练PETRV2-BEV模型的完整教程

在自动驾驶的感知世界里，BEV（鸟瞰图）技术正扮演着越来越关键的角色。它像一双“上帝之眼”，能将车辆周围多个摄像头捕捉的2D画面，无缝融合成一个统一的、俯视视角的3D空间。而在众多BEV方案中，PETRV2无疑是当前最受瞩目的选手之一。它凭什么脱颖而出？简单来说，三点：多视角融合能力强，能把前、后、左、右各个角度的信息整合得明明白白；3D检测精度高，在nuScenes这类权威测试集上表现拔尖；训练效率也做了优化，比初代版本快了不止一星半点。

今天，我们就来手把手走一遍，如何在星图AI平台上，从零开始完成一个PETRV2-BEV模型的完整训练。别担心，即便你是深度学习的新手，跟着步骤来，也能顺利跑通。

环境准备与快速启动

激活预配置环境

星图AI平台已经把繁琐的环境配置工作都做好了。我们只需要打开终端，输入一条命令，就能进入准备好的战场：

conda activate paddle3d_env

看到命令行提示符前面出现 (paddle3d_env) 的标识，就说明环境激活成功了。顺手验证一下PaddlePaddle是否就位：

python -c "import paddle; print(paddle.__version__)"

如果终端打印出类似 2.6.0 的版本号，那么恭喜，基础环境一切正常。

了解目录结构

开工之前，先摸清几个关键目录的位置，后续操作会频繁用到：

• /usr/local/Paddle3D：这里是Paddle3D框架的大本营。
• /root/workspace：我们的主工作区，数据和模型都会放在这里。
• /root/workspace/nuscenes：专门用来存放nuScenes数据集。

数据准备与预处理

下载预训练模型

为了节省时间并提升效果，我们采用迁移学习的方式。第一步，就是把官方预训练好的模型权重请过来：

wget -O /root/workspace/model.pdparams https://paddle3d.bj.bcebos.com/models/petr/petrv2_vovnet_gridmask_p4_800x320/model.pdparams

下载完成后，不妨检查一下文件大小，确保完整无误（大约172MB）：

ls -lh /root/workspace/model.pdparams

获取nuScenes mini数据集

为了快速验证整个流程，我们先用一个轻量级的nuScenes v1.0-mini数据集来练手。执行以下命令获取并解压：

wget -O /root/workspace/v1.0-mini.tgz https://www.nuscenes.org/data/v1.0-mini.tgz mkdir -p /root/workspace/nuscenes tar -xf /root/workspace/v1.0-mini.tgz -C /root/workspace/nuscenes

解压后，去 /root/workspace/nuscenes 目录下看看，应该会出现 samples、sweeps 等标准文件夹。

生成数据索引文件

PETRV2模型需要特定格式的数据索引。别担心，有现成的脚本可以一键生成：

cd /usr/local/Paddle3D rm /root/workspace/nuscenes/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos.py --dataset_root /root/workspace/nuscenes/ --sa ve_dir /root/workspace/nuscenes/ --mode mini_val

脚本运行成功后，会在指定目录生成两个关键的 .pkl 文件，它们是后续训练的“地图”：

ls /root/workspace/nuscenes/petr_nuscenes_annotation_*.pkl

模型训练与监控

启动训练任务

万事俱备，现在可以点燃引擎，开始训练了。复制下面的命令，根据你的实际情况微调参数：

python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/nuscenes/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --sa ve_interval 5 \ --do_eval

这里有几个参数值得关注：--epochs 100 代表训练100轮；--batch_size 2 表示每批处理2组数据（注意，每组包含6个视角，所以实际是12张图）；--do_eval 这个开关很重要，它会让模型在每轮训练后都在验证集上跑一遍，方便我们实时评估性能。

监控训练过程

训练启动后，我们当然不能干等着。星图平台集成了VisualDL可视化工具，可以让我们直观地看到训练曲线。先启动它：

visualdl --logdir ./output/ --host 0.0.0.0

接着，通过SSH端口转发，将远程的可视化界面映射到本地：

ssh -p 31264 -L 0.0.0.0:8888:localhost:8040 root@gpu-09rxs0pcu2.ssh.gpu.csdn.net

然后，打开你本地的浏览器，访问 http://localhost:8888。一个丰富的仪表盘就会展现在眼前，里面通常包括：训练损失是如何一步步下降的；验证集上的mAP指标有没有稳步提升；以及学习率是否在按计划调整。

模型导出与效果验证

导出推理模型

训练完成后，我们通常需要把最好的那个模型“固化”下来，导出成标准的推理格式，方便后续部署和应用。命令如下：

rm -rf /root/workspace/nuscenes_release_model mkdir -p /root/workspace/nuscenes_release_model python tools/export.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320_nuscene.yml \ --model output/best_model/model.pdparams \ --sa ve_dir /root/workspace/nuscenes_release_model

导出成功后，在目标文件夹里你会看到三个文件：inference.pdmodel、inference.pdiparams 和 inference.pdiparams.info。这就是可以直接用于预测的模型了。

运行DEMO测试

模型好不好，拉出来溜溜才知道。用下面这个demo脚本，可以直观地看到模型的检测效果：

python tools/demo.py /root/workspace/nuscenes/ /root/workspace/nuscenes_release_model nuscenes

运行后，结果会保存在 output/demo/ 目录下。打开看看，你会得到几种可视化结果：原始多个摄像头画面的拼接图；从鸟瞰视角看下去的3D检测框；以及每个检测框对应的类别和置信度。效果一目了然。

进阶：Xtreme1数据集训练

数据准备

如果你想在Xtreme1这类数据集上试试手，流程也大同小异，只是数据预处理脚本不同：

cd /usr/local/Paddle3D rm /root/workspace/xtreme1_nuscenes_data/petr_nuscenes_annotation_* -f python3 tools/create_petr_nus_infos_from_xtreme1.py /root/workspace/xtreme1_nuscenes_data/

训练与评估

数据准备好之后，启动训练的命令只需要修改数据集路径即可：

python tools/train.py \ --config configs/petr/petrv2_vovnet_gridmask_p4_800x320.yml \ --model /root/workspace/model.pdparams \ --dataset_root /root/workspace/xtreme1_nuscenes_data/ \ --epochs 100 \ --batch_size 2 \ --log_interval 10 \ --learning_rate 1e-4 \ --sa ve_interval 5 \ --do_eval

常见问题排查

数据路径错误

症状：终端报错 FileNotFoundError 或 KeyError。
解决方法：按顺序检查这三步：1. 确认 /root/workspace/nuscenes/ 目录确实存在，并且里面包含了下载好的数据文件。2. 检查上一步生成 .pkl 索引文件的操作是否成功。3. 核对配置文件（.yml）里的数据路径设置是否正确。

训练loss不下降

可能原因：
- 学习率设置不合适：可以尝试调整 --learning_rate 参数，比如从1e-4调到5e-5或2e-4试试。
- 数据预处理有问题：确保数据索引文件（.pkl）是基于当前数据集正确生成的，必要时删除旧文件重新生成一遍。
- 模型权重加载失败：检查 --model 参数指向的 model.pdparams 文件路径是否正确，文件是否完整。

显存不足

解决方案：
- 最直接的办法：减小 batch_size，可以尝试设为1。
- 使用梯度累积（gradient_accumulation）技术，模拟更大的批次，但需要相应调整学习率。
- 关闭训练过程中非必要的实时可视化或日志功能，节省显存开销。

总结与下一步

走完这一趟，你应该已经掌握了在星图AI平台上玩转PETRV2-BEV模型的核心技能：从环境搭建、数据预处理，到模型训练、监控、导出和效果验证，形成了一条完整的闭环。

接下来可以尝试的方向有很多：比如调整BEV网格的尺寸、特征通道数等模型参数，看看对精度和速度的影响；或者，将这套流程迁移到你自己的数据集上进行微调；再进一步，可以把PETRV2和其他BEV模型（比如BEVFormer、BEVDet）放在一起做个横向对比，深入理解它们各自的优劣。