Uniad复现学习 - 技术栈

在优云智算compshare平台部署训练，加速训练。

关于UCloud(优刻得)旗下的compshare算力共享平台

UCloud(优刻得)是中国知名的中立云计算服务商，科创板上市，中国云计算第一股。

UCloud（优刻得）旗下的Compshare算力共享平台具有以下优点：

高性价比的算力资源：Compshare专注于提供高性价比的NVIDIA RTX 40系列资源，满足AI应用、模型推理/微调、科学计算等多场景需要。
100% GPU性能：通过GPU显卡直通技术，确保用户能够充分利用GPU的性能，相比传统容器形式，性能损耗降低了30%。
独立IP配备：每个Compshare实例都配备了独立的外网IP地址，使得服务器资源管理变得更加方便和灵活。
访问加速：支持对GitHub和Hugging Face等学术资源的访问加速，用户无需进行复杂的配置，即可快速拉取所需的学术资源。
灵活的配置选项：提供了多种GPU数量和配置的选项，从1GPU到8GPU不等，CPU内存从16C64GB到124C940GB，系统盘均为200GB的SSD云盘，网络为100MB的共享带宽。

这些优点使得Compshare算力共享平台成为AI研究者和开发者的优选平台之一。

UniAD 首次将所有检测，跟踪，建图，轨迹预测，占据栅格预测与规划都包含进来，ALL IN ONE

本次使用它也是因为有体验，有教程，方便
优云智算compshare

链接：https://www.compshare.cn/?ytag=GPU_daxiblog_Lcsdn_csdn

注册即可获得20元算力金，免费体验10小时4090

自动驾驶系统可大致归为三类：

模块化：每个模型负责单独的子任务，优势在于易于调试迭代 ，但是解耦就会丢失最优性，各个模块的优化目标并不是以驾驶为最终目标 ，并且每个模块的误差会传递到之后的模块。
多任务模块：多任务范式利用一个共享的特征提取器来完成多个子任务，好处是节省计算成本，缺点在于不同任务之间可能会存在负面影响。
端到端：端到端范式以最终的驾驶性能为目标，具体又可以细分为两种范式：
3.1 隐式的端到端 ：以传感器数据作为输入，直接输出规划或者控制指令。这种范式的好处是较为简洁，缺点是缺乏可解释性，难以调式及迭代。
3.2显式端到端：是将多个模块囊括在端到端模型之中，每个模块有各自的输出，并且会将提取到的特征传递到下游任务。

cpp 复制代码

复现第一天遇见问题，作者环境算CUDA11.1+ torch1.91版本，而我安装的CUDA12.1，导致后续版本都不一样，导致安装 mmcv-full、mmdet、mmsegmentation版本出错。
问题2：准备安装在docker里，但是docker换了很多源下载都很慢，可能文件较大，而且及时我复现了本机也不一定能跑，于是在云平台复现。
准备在云平台从新安装显卡驱动，cuda,cudnn和原作者适配的版本。
首先安装三件套 https://hermit.blog.csdn.net/article/details/139618350
下载数据集 可能涉及要传进云里 文件大于5G 果然需要额外下载存储工具，讲本地文件挂载到云上 https://docs.ucloud.cn/ufile/tools/us3fs/prepare
然后跟着官方dockerfile里本地安装

安装完显卡驱动若nvidia-smi还是没有，则重启即可
wget https://developer.download.nvidia.com/compute/cuda/11.1.1/local_installers/cuda_11.1.1_455.32.00_linux.run
sudo sh cuda_11.1.1_455.32.00_linux.run

注意sh的时候 在弹出的框中取消勾选，不需要再次安装显卡驱动，不然报错
结果GCC版本问题 太高了 报错
https://blog.csdn.net/yehe111/article/details/115370164
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 1 --slave /usr/bin/g++ g++ /usr/bin/g++-9
说明：里面的1 代表优先级，把gcc9 设置成1 代表gcc9 优先级更高

然后添加CUDA环境变量 sudo gedit ~/.bashrc
apt-get update -q && \
    apt-get install -q -y \
    wget \
    python3.8-dev \
    python3-pip \-
    python3.8-tk \
    git \
    ninja-build \
    ffmpeg libsm6 libxext6 libglib2.0-0 libsm6 libxrender-dev libxext6 \
    && apt-get clean \
    && rm -rf /var/lib/apt/lists/*

安装好了miniconda3 运行conda 报错conda: command not found   要source ~/.bashrc

不能按照这个教程里的安装cuda和pytorch https://blog.csdn.net/lovely_yoshino/article/details/139867558
版本和论文作者的不对 要看dockerfile
pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html


我是python3.10 原文是3.8 不知会不会有问题？？
要自己 新建data 下载数据集 放入或者软连接 
Download nuScenes, CAN_bus and Map extensions
cd UniAD
mkdir data
#Download nuScenes V1.0 full dataset data directly to (or soft link to) UniAD/data/
#Download CAN_bus and Map(v1.3) extensions directly to (or soft link to) UniAD/data/nuscenes/

Prepare Motion Anchors
cd UniAD/data
mkdir others && cd others
wget https://github.com/OpenDriveLab/UniAD/releases/download/v1.0/motion_anchor_infos_mode6.pkl

使用优云智算平台 激励	
https://iadagxzituk.feishu.cn/share/base/form/shrcnxWcOvNV6DSlLXwCw9NOUAc 



报错
 module 'numpy.typing' has no attribute 'NDArray'
AttributeError:     module 'numpy.typing' has no attribute 'NDArray'NumpyArray = npt.NDArray[Any]
更新numpy大于1.20

print(torch.cuda.is_available())输出 false 但是nvcc -V可以输出版本