7.5 KiB
7.5 KiB
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
- evaluate_checkpoint.sh - Checkpoint评估脚本
- plot_training_curves.py - Loss曲线绘制
- quick_status.sh - 快速状态查看
- 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：⭐⭐⭐⭐⭐
# 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：⭐⭐⭐⭐⭐
# 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：
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：⭐⭐⭐⭐
# 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：⭐⭐⭐
# 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：⭐⭐⭐⭐
# 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：⭐⭐⭐
# 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：⭐⭐⭐
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）✅
- 创建评估脚本
- 创建监控脚本
- 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
- P0任务优先 - 训练完成后立即需要
- 边学边做 - 理论+实践结合
- 循序渐进 - 从简单到复杂
- 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！