# BEVFusion 项目准备工作清单

**更新时间**：2025-10-22 14:20 UTC  
**当前进度**：Epoch 3/23 (9.2%)  
**预计训练完成**：2025-10-29  
**可用准备时间**：7天

---

## ✅ 已完成的准备工作

### 脚本工具
- [x] evaluate_checkpoint.sh - Checkpoint评估脚本
- [x] plot_training_curves.py - Loss曲线绘制
- [x] quick_status.sh - 快速状态查看
- [x] 项目进度分析与准备清单.md - 详细分析文档

---

## 📋 准备工作清单（按优先级）

### 🔥 P0 - 本周必做（训练完成前）

#### ✅ 1. 安装和学习剪枝工具
**时间投入**：2小时  
**截止时间**：10-24  
**价值**：⭐⭐⭐⭐⭐

```bash
# 安装torch-pruning
pip install torch-pruning

# 学习内容
- 阅读官方文档
- 理解剪枝原理
- 测试基本示例
- 准备BEVFusion剪枝脚本

# 目标
- 了解如何剪枝SwinTransformer
- 了解如何剪枝FPN
- 准备剪枝配置模板
```

**完成标准**：
- [ ] torch-pruning安装成功
- [ ] 运行过基本示例
- [ ] 创建了剪枝脚本框架

---

#### ✅ 2. 学习PyTorch量化
**时间投入**：2小时  
**截止时间**：10-25  
**价值**：⭐⭐⭐⭐⭐

```bash
# 学习内容
- PyTorch Quantization文档
- QAT vs PTQ对比
- INT8校准流程
- 敏感层分析

# 准备工作
- 创建QAT配置模板
- 了解量化最佳实践
- 准备校准数据集
```

**完成标准**：
- [ ] 理解QAT和PTQ区别
- [ ] 创建量化配置文件
- [ ] 准备100样本校准集

---

#### ✅ 3. 准备中期评估方案
**时间投入**：1小时  
**截止时间**：10-24（Epoch 10前）  
**价值**：⭐⭐⭐⭐⭐

**评估计划**：
```markdown
Epoch 10中期评估（10-25执行）
├─ 检测性能评估
│  └─ 目标: mAP >64%
├─ 分割性能评估
│  └─ 目标: mIoU >45%
├─ 与Epoch 2对比
│  └─ 分析改进幅度
└─ 决策是否需要调整
   └─ loss权重、学习率等
```

**准备内容**：
- [ ] 评估脚本已创建 ✅
- [ ] 结果保存路径
- [ ] 对比分析模板
- [ ] 决策标准文档

---

#### ✅ 4. 创建性能监控仪表板
**时间投入**：2小时  
**截止时间**：10-26  
**价值**：⭐⭐⭐⭐

```python
# 功能需求
1. 实时Loss曲线
2. 各类别IoU趋势
3. 检测mAP趋势
4. GPU利用率监控
5. 预计完成时间
```

**完成标准**：
- [ ] Loss曲线脚本完成
- [ ] 可以自动生成图表
- [ ] 可以定时更新

---

### 🟡 P1 - 下周建议做（训练期间）

#### ✅ 5. 学习TensorRT
**时间投入**：3-4小时  
**截止时间**：10-28  
**价值**：⭐⭐⭐⭐

**学习重点**：
```
1. ONNX导出最佳实践
   - Dynamic Shape处理
   - 自定义算子处理
   
2. TensorRT Engine构建
   - Builder配置
   - Optimization Profile
   - INT8 Calibration
   
3. Orin特定优化
   - DLA使用方法
   - Unified Memory优化
   - 多CUDA Stream
```

**资源**：
- NVIDIA TensorRT Documentation
- NVIDIA Orin Developer Guide
- BEVFusion部署案例

**完成标准**：
- [ ] 了解ONNX导出流程
- [ ] 理解TensorRT基本概念
- [ ] 了解Orin DLA用法

---

#### ✅ 6. MapTR代码研究（如果倾向集成）
**时间投入**：4小时  
**截止时间**：10-30  
**价值**：⭐⭐⭐

```bash
# 1. 克隆MapTR代码
cd /workspace
git clone https://github.com/hustvl/MapTR.git

# 2. 重点研究文件
MapTR/projects/mmdet3d_plugin/maptr/
├── dense_heads/map_head.py      # 核心Head
├── modules/decoder.py           # Transformer解码器
└── ...

# 3. 理解数据格式
- 矢量地图标注格式
- 从nuScenes提取方法
- 数据增强策略
```

**完成标准**：
- [ ] MapTR代码下载
- [ ] 理解MapTRHead结构
- [ ] 了解数据格式

---

#### ✅ 7. 准备测试数据集
**时间投入**：2小时  
**截止时间**：10-28  
**价值**：⭐⭐⭐⭐

```bash
# 创建快速测试集
# 100个样本，用于快速验证剪枝/量化效果

目标:
- 覆盖各种场景
- 包含所有类别
- 数据平衡
- 快速加载（<1分钟）
```

---

#### ✅ 8. 准备Benchmark工具
**时间投入**：2小时  
**截止时间**：10-29  
**价值**：⭐⭐⭐

```python
# tools/benchmark.py
# 功能：
1. 推理速度测试
2. 内存使用分析
3. FLOPs计算
4. 模型复杂度分析
```

---

### 🔵 P2 - 训练完成后准备

#### ✅ 9. 联系Orin硬件
**时间投入**：采购流程  
**截止时间**：11-10  
**价值**：⭐⭐⭐⭐

**需要准备**：
- [ ] NVIDIA AGX Orin 270T
- [ ] JetPack 5.1+ 安装盘
- [ ] 网络环境配置
- [ ] 测试数据存储

---

#### ✅ 10. 准备部署文档
**时间投入**：3小时  
**截止时间**：11-15  
**价值**：⭐⭐⭐

```markdown
部署文档内容:
1. 环境配置步骤
2. 依赖库安装
3. 模型转换流程
4. 性能测试方案
5. 故障排查指南
```

---

## 🎯 本周行动计划（10-22 ~ 10-27）

### 今天（10-22 周二）✅
- [x] 创建评估脚本
- [x] 创建监控脚本
- [x] 创建准备清单文档
- [ ] 测试Loss曲线绘制

**预计时间**：1小时

---

### 明天（10-23 周三）
- [ ] 绘制当前Loss曲线
- [ ] 安装torch-pruning
- [ ] 阅读剪枝文档
- [ ] 创建剪枝脚本框架

**预计时间**：3小时

---

### 周四（10-24）
- [ ] 学习PyTorch量化
- [ ] 准备量化配置
- [ ] 准备校准数据集
- [ ] 测试量化基本流程

**预计时间**：3小时

---

### 周五（10-25）⭐ 重要
- [ ] **Epoch 10中期评估**
- [ ] 分析性能趋势
- [ ] 决策是否调整
- [ ] 生成中期报告

**预计时间**：2-3小时

---

### 周末（10-26 ~ 10-27）
- [ ] 学习TensorRT基础
- [ ] 准备ONNX导出脚本
- [ ] 研究Orin DLA优化
- [ ] 准备部署文档框架

**预计时间**：6-8小时

---

## 📊 准备工作时间分配

```
本周准备时间分配（总计15-20小时）:

剪枝准备    ████░░░░░░  4小时  (26%)
量化准备    ███░░░░░░░  3小时  (20%)
TensorRT    ████░░░░░░  4小时  (26%)
评估工具    ██░░░░░░░░  2小时  (13%)
监控工具    ██░░░░░░░░  2小时  (13%)
其他        ░░░░░░░░░░  1小时  ( 7%)
```

---

## 🎓 学习资源

### 剪枝相关
- Torch-Pruning GitHub: https://github.com/VainF/Torch-Pruning
- 论文: Network Slimming
- 论文: Learning Efficient Convolutional Networks

### 量化相关
- PyTorch Quantization: https://pytorch.org/docs/stable/quantization.html
- 论文: Quantization and Training of Neural Networks
- TensorRT INT8: https://docs.nvidia.com/deeplearning/tensorrt/

### TensorRT
- TensorRT Documentation: https://docs.nvidia.com/deeplearning/tensorrt/
- ONNX Runtime: https://github.com/microsoft/onnxruntime
- NVIDIA Orin Guide: https://developer.nvidia.com/embedded/

---

## 💡 执行建议

### 每天花1-2小时准备
```
周一-周五晚上: 2小时/天 × 5 = 10小时
周末: 6小时

总计: 16小时准备工作
```

### 优先级原则
1. **P0任务优先** - 训练完成后立即需要
2. **边学边做** - 理论+实践结合
3. **循序渐进** - 从简单到复杂
4. **文档记录** - 边学边写文档

---

## 🎯 成功标准

### Epoch 10评估（10-25）
- [ ] 检测mAP >64%
- [ ] 分割mIoU >45%
- [ ] Loss持续下降
- [ ] 训练稳定无异常

### 训练完成（10-29）
- [ ] 检测mAP >65%
- [ ] 分割mIoU >60%
- [ ] 所有checkpoint保存完整
- [ ] 性能评估报告完成

### 准备工作完成
- [ ] 剪枝工具ready
- [ ] 量化工具ready
- [ ] TensorRT知识储备
- [ ] 评估脚本ready
- [ ] 部署文档框架ready

---

**下一步**：开始执行P0任务，为后续阶段做好准备！