一、环境基本要求
显卡：4090&2080ti
CUDA=11.3
python=3.8 （不重要，python3.7，python3.9都行）
torch=1.10.1+cu113
torchvision=0.11.2+cu113
spconv=2.1.21
二、相关文件
所有相关的安装文件都放到这里了
链接：https://pan.baidu.com/s/11VfyxUkq_rfHUMcgzeZzOQ?pwd=6666
三、环境搭建
1、配置Focals Conv的CenterPoint环境
（1）创建虚拟环境（无需安装包，Anconda自动安装python）：
conda create -n focalsconv python=3.8
（2）激活环境
conda activate focalsconv
（3）安装torch、torchvision
安装说明：推荐本地安装，否则pip会不小心安装成cpu版本。
①下载文件
找到以下文件夹，放着torch、torchvision安装包。
②安装
使用pip指令实现本地安装：
pip install torch-1.10.1+cu113-cp38-cp38-linux_x86_64.whl torchvision-0.11.2+cu113-cp38-cp38-linux_x86_64.whl
③测试
先输入python进入环境，输入以下指令：
import torch # 如正常则静默
torch.__version__ #查看torch版本
import torchvision
torchvision.__version__ #查看torchvision版本
torch.cuda.is_available() #正常的话返回“True”
a = torch.Tensor([1.]) # 如正常则静默
a.cuda() # 如正常则返回"tensor([ 1.], device='cuda:0')"
from torch.backends import cudnn # 如正常则静默
cudnn.is_acceptable(a.cuda()) # 如正常则返回 "True"④官方下载网站
如果不想用百度云，下面是官方下载网站：
torch下载网站：https://download.pytorch.org/whl/torch_stable.html
（4）安装spconv-2.1.21（focals conv改版）
①下载文件
根据官方给出的连接：
GitHub - dvlab-research/spconv-plus
我们可以拿到源文件。
②安装第三方库
首先我们配置环境并安装第三方库：
export SPCONV_DISABLE_JIT="1"
pip install pccm==0.3.4 ccimport==0.3.7 cumm==0.2.8 wheel
③安装spconv
python setup.py bdist_wheel
pip install dists/xxx.whl
（5）安装det3d
将det3d-master放在CenterPoint文件夹下
在此之前，请将CenterPoint-master/det3d的文件拷贝到/det3d-master/det3d中进行合并+替换。
在/det3d-master主目录下，执行指令：
安装apex
git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./安装nuscenes-devkit
pip install nuscenes-devkit安装第三方库
pip install -r requirements.txt安装det3d
python setup.py build develop
（6）安装CenterPoint
进入到CenterPoint主文件夹下：
git clone https://github.com/tianweiy/CenterPoint.git
cd CenterPoint-master下载第三方库
pip install -r requirements.txt
# add CenterPoint to PYTHONPATH by adding the following line to ~/.bashrc (change the path accordingly)
export PYTHONPATH="${PYTHONPATH}:PATH_TO_CENTERPOINT"安装cuda拓展
首先先将/CenterPoint-master/det3d/覆盖掉原来的/det3d-master/det3d：
然后执行以下命令：
export PATH=/usr/local/cuda-10.0/bin:$PATH
export CUDA_PATH=/usr/local/cuda-10.0
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
# Rotated NMS
cd ROOT_DIR/det3d/ops/iou3d_nms
python setup.py build_ext --inplace
# Deformable Convolution (Optional and only works with old torch versions e.g. 1.1)
cd ROOT_DIR/det3d/ops/dcn
python setup.py build_ext --inplace前四句是为了确保cuda环境可以正常调用，后面四句是为了安装NMS和Deformable DETR的cuda版本，这里要根据自己的目录更改ROOT_DIR哦，这里正常来说应该是/CenterPoint-master/det3d-master/det3d/。
如果期间碰到AT_CHECK的问题，参考我后面写的问题汇总。
2、生成数据集
（1）生成
首先将数据集文件整理如下：
# For nuScenes Dataset
└── NUSCENES_DATASET_ROOT
├── samples <-- key frames
├── sweeps <-- frames without annotation
├── maps <-- unused
├── v1.0-trainval <-- metadata
然后在/CenterPoint文件夹下执行指令（注意对应好文件路径）：
# nuScenes
python tools/create_data.py nuscenes_data_prep --root_path=NUSCENES_TRAINVAL_DATASET_ROOT --version="v1.0-trainval" --nsweeps=10最后生成的文件目录大致如下：
# For nuScenes Dataset
└── CenterPoint
└── data
└── nuScenes
├── samples <-- key frames
├── sweeps <-- frames without annotation
├── maps <-- unused
|── v1.0-trainval <-- metadata and annotations
|── infos_train_10sweeps_withvelo_filter_True.pkl <-- train annotations
|── infos_val_10sweeps_withvelo_filter_True.pkl <-- val annotations
|── dbinfos_train_10sweeps_withvelo.pkl <-- GT database info files
|── gt_database_10sweeps_withvelo <-- GT database
生成好后，需要将官方添加好的gt增强数据集进行替换：
官方连接为：https://github.com/dvlab-research/FocalsConv
如果本次打包完成后，数据集位置尽量不要再次变动 ，否则可能在训练或测试时报错。
（2）创建软连接
可以将提前生成好的数据集软连接到当前文件夹下：
sudo ln -s /media/xd/hpc/data/nuScene-ceneterformer/v1.0-mini/ /home/xd/xyy/MVP-main/CenterPoint/data/nuScenes
3、训练&评估
（1）training
使用以下命令启动使用4个gpu的分布式训练。模型和日志将被保存到“work_dirs/CONFIG_NAME”
python -m torch.distributed.launch --nproc_per_node=4 ./tools/train.py CONFIG_PATH
（2）testing
对于4个gpu的分布式测试，
python -m torch.distributed.launch --nproc_per_node=4 ./tools/dist_test.py CONFIG_PATH --work_dir work_dirs/CONFIG_NAME --checkpoint work_dirs/CONFIG_NAME/latest.pth 对于使用单个gpu进行测试并查看推断时间，
python ./tools/dist_test.py CONFIG_PATH --work_dir work_dirs/CONFIG_NAME --checkpoint work_dirs/CONFIG_NAME/latest.pth --speed_test