tao-train-bevfusion

BEVFusion

用于多传感器 3D 目标检测的 BEVFusion。在鸟瞰图（BEV）空间中融合 LiDAR 点云和相机图像。用于自动驾驶中的稳健 3D 感知。

设置 Swin 图像骨干网络的预训练骨干网络路径。

Dataclass 架构

生成的 TAO Core 架构打包在 schemas/<action>.schema.json 中，schemas/manifest.json 列出了可用操作。每个生成的架构还会根据架构顶层的 default 字段生成 references/spec_template_<action>.yaml。AutoML 是否启用由模型层在 references/skill_info.yaml 中通过 automl_enabled 声明。要运行 AutoML，还必须存在并能解析 schemas/train.schema.json 和 references/spec_template_train.yaml。使用打包的训练架构获取 automl_default_parameters、automl_disabled_parameters、默认值、最小值／最大值范围、枚举、选项权重、数学条件、依赖项和常用参数。运行时不要依赖 ~/tao-core；维护者应在打包技能库之前重新生成架构／模板。

训练操作策略

此模型在模型层启用了 AutoML。处理任何训练阶段请求之前，先读取 references/skill_info.yaml，并根据明确指定的 automl_policy 值或用户的工作流请求，确定本次运行的策略。对于“关闭 AutoML”“禁用 AutoML”“不要 HPO”或“普通训练”等说法，仅将本次运行的 automl_policy 设为 off；否则默认为 auto。当 automl_policy: auto、automl_enabled: true，且已打包 schemas/train.schema.json 和 references/spec_template_train.yaml 时，默认使用此模型的 skill_dir，通过 tao-skill-bank:tao-run-automl 执行训练操作。保留工作流／应用对数据集、配置、输出目录、GPU／平台设置、父检查点和 automl_policy 的覆盖设置。只有当 automl_policy: off 或缺少打包的训练架构／模板时，才直接进行模型训练；若缺少架构，请说明此模型已启用 AutoML，但在生成架构之前无法运行 AutoML。

evaluate、inference、export 和部署流程等非训练操作仍由此模型技能处理。单次运行的 automl_policy 覆盖设置不会更改模型元数据。

训练要求

• 数据集类型： bevfusion
• 格式： 默认
• 监控指标： AP11

各操作的数据集要求

操作	配置键	来源	文件	列表？
dataset_convert	root_dir	id		否
evaluate	dataset.test_dataset	train_datasets	ann_file: results/{dataset_convert_job_id}/kitti_person_infos_val.pkl	否
inference	dataset.root_dir	train_datasets		否
inference	dataset.test_dataset	train_datasets	ann_file: results/{dataset_convert_job_id}/kitti_person_infos_val.pkl	否
train	dataset.train_dataset	train_datasets	ann_file: results/{dataset_convert_job_id}/kitti_person_infos_train.pkl	否
train	dataset.val_dataset	train_datasets	ann_file: results/{dataset_convert_job_id}/kitti_person_infos_val.pkl	否
train	dataset.test_dataset	train_datasets	ann_file: results/{dataset_convert_job_id}/kitti_person_infos_val.pkl	否

典型配置覆盖

每个操作都必须覆盖数据源——Agent 必须根据上方的各操作数据集要求表构造数据源路径，并将其包含在 spec_overrides 中。

S3_TRAIN = "s3://bucket/data/train"

train（必需的数据源）：

{
    "train.num_epochs": 30,
    "train.checkpoint_interval": 10,
    "train.validation_interval": 10,
    "train.num_gpus": 1,
    "dataset.train_dataset": {"ann_file": f"{S3_TRAIN}/results/{dataset_convert_job_id}/kitti_person_infos_train.pkl"},
    "dataset.val_dataset": {"ann_file": f"{S3_TRAIN}/results/{dataset_convert_job_id}/kitti_person_infos_val.pkl"},
    "dataset.test_dataset": {"ann_file": f"{S3_TRAIN}/results/{dataset_convert_job_id}/kitti_person_infos_val.pkl"},
}

evaluate（必需的数据源）：

{
    "dataset.test_dataset": {"ann_file": f"{S3_TRAIN}/results/{dataset_convert_job_id}/kitti_person_infos_val.pkl"},
}

inference（必需的数据源）：

{
    "dataset.root_dir": f"{S3_TRAIN}",
    "dataset.test_dataset": {"ann_file": f"{S3_TRAIN}/results/{dataset_convert_job_id}/kitti_person_infos_val.pkl"},
}

评估数据集

可选。验证集划分通过数据集配置中的 ann_file 设置。

重要参数

• dataset.classes：检测类别列表。默认值为 ["person"]。必须与标注类别一致。
• dataset.type：数据集类型。选项：KittiPersonDataset、TAO3DSyntheticDataset、TAO3DDataset。
• dataset.root_dir：KITTI 风格数据集的根目录。
• dataset.box_type_3d：3D 框的坐标系。选项：lidar、camera。默认值为 lidar。
• train.optimizer.lr：学习率。默认值为 2e-4（AdamW）。通过 optimizer.wrapper_type 使用 AmpOptimWrapper 进行混合精度训练。
• input_modality：控制传感器模态的字典。键：use_lidar（True）、use_camera（True）、use_radar（False）、use_map（False）。
• model.img_backbone：图像主干网络。默认值为 mmdet.SwinTransformer（Swin-Tiny）。embed_dims=96，depths=[2,2,6,2]。
• model.view_transform.type：用于 BEV 投影的视图变换。选项：DepthLSSTransform、LSSTransform。默认值为 DepthLSSTransform。
• model.point_cloud_range：LiDAR 的空间范围。默认值为 [0,-40,-3,70.4,40,1]。
• model.voxel_size：体素尺寸。默认值为 [0.05, 0.05, 0.1]。
• dataset.train_dataset.batch_size：每个 GPU 的批量大小。默认值为 4。

多 GPU／多节点

启动方式： torchrun（LIGHTNING_EXCLUDED_NETWORK）。入口运行 torchrun --nnodes=N --nproc-per-node=M train.py，而不是普通的 python。

Spec Key	描述	默认值
train.num_gpus	每个节点的 GPU 数量	1
train.gpu_ids	GPU 设备索引	[0]
train.num_nodes	节点数量	1

• CUDA_VISIBLE_DEVICES 会明确设为 TAO_VISIBLE_DEVICES 的值
• BEVFusion 使用基于 mmdet3d 的分布式训练，而非 Lightning DDP
• 如果未设置 RANK，则将 NODE_RANK 复制到 RANK

多节点环境变量（由编排器设置）：

变量	用途
WORLD_SIZE	节点数量
NODE_RANK	当前节点的秩
MASTER_ADDR	Rank-0 节点 IP
MASTER_PORT	Rank-0 端口（默认值为 29500）
NUM_GPU_PER_NODE	每个节点的 GPU 数量

硬件

至少需要 2 块 GPU，推荐使用 4 块 GPU。每块 GPU 需有 24GB 以上显存（推荐 A100）。BEVFusion 的多传感器融合会占用大量内存。强烈建议使用 A100 GPU。预计使用多 GPU 进行训练。

错误模式

需要 dataset_convert：训练前运行 dataset_convert，以生成 info pickle 文件。

缺少模态数据：如果使用多模态融合，请确保相机图像和 LiDAR 点云都已就绪。

周期编号：BEVFusion 检查点的周期编号可能不遵循标准的零填充格式。

规格参数／父模型推断

特定于模型的推断映射应放在此 MD 文件中，而不是 config.json 中。生成的运行器应读取本节内容，并在调用 create_job() 前使用 SDK 辅助函数应用这些映射。这与旧版微服务的 infer_params.py 流程一致。

TAO Core bevfusion.config.json 中的推断映射：

操作	规格字段	推断函数	含义
dataset_convert	results_dir	output_dir	当前作业的结果目录
evaluate	encryption_key	key	加密密钥
evaluate	evaluate.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
evaluate	results_dir	output_dir	当前作业的结果目录
inference	encryption_key	key	加密密钥
inference	inference.checkpoint	parent_model	从父作业结果文件夹推断出的模型文件
inference	results_dir	output_dir	当前作业的结果目录
train	encryption_key	key	加密密钥
train	results_dir	output_dir	当前作业的结果目录
train	train.pretrained_checkpoint	ptm_if_no_resume_model	不存在恢复检查点时使用的 PTM
train	train.resume_training_checkpoint_path	resume_model	从当前作业结果文件夹推断出的模型文件

对于 parent_model 或 parent_model_folder，请将上游 train/export/AutoML 子作业 ID 作为 parent_job_id 传入。SDK 会列出父作业的结果文件夹，筛选检查点制品，并返回选定的模型文件或文件夹。不要将这些映射加回 config.json，也不要修改生成的运行器脚本来猜测检查点路径。