本文以SMOKE模型和KITTI数据集为例，介绍如何基于Paddle3D进行模型训练、评估、可视化的全流程操作。其他模型的全流程操作与此一致，各模型详细的使用教程和benchmark可参考模型文档。
在开始本教程之前，请确保已经按照 安装文档 完成了相关的准备工作
单卡训练
使用如下命令启动单卡训练，由于一次完整的训练流程耗时较久，我们只训练100个iter进行快速体验，下面的命令在Telsa V100上大约耗时2分钟
python tools/train.py --config configs/smoke/smoke_dla34_no_dcn_kitti.yml --iters 100 --log_interval 10 --save_interval 20多卡训练
很多3D感知模型需要使用多卡并行进行训练，Paddle3D同样支持快捷地启动多卡训练，使用如下命令可以启动四卡并行训练
export CUDA_VISIBLE_DEVICES=0,1,2,3
fleetrun tools/train.py --config configs/smoke/smoke_dla34_no_dcn_kitti.yml --iters 100 --log_interval 10 --save_interval 20混合精度训练
如果想要启动混合精度训练，请参考配置文件中添加amp的参数项，可用的参数可以参考 API paddle.amp.auto_cast
训练脚本参数介绍
| 参数名 | 用途 | 是否必选项 | 默认值 |
|---|---|---|---|
| iters | 训练迭代步数 | 否 | 配置文件中指定值 |
| epochs | 训练迭代次数 | 否 | 配置文件中指定值 |
| batch_size | 单卡batch size | 否 | 配置文件中指定值 |
| learning_rate | 初始学习率 | 否 | 配置文件中指定值 |
| config | 配置文件路径 | 是 | - |
| save_dir | 检查点（模型和visualdl日志文件）的保存根路径 | 否 | output |
| num_workers | 用于异步读取数据的进程数量， 大于等于1时开启子进程读取数据 | 否 | 2 |
| save_interval | 模型保存的间隔步数 | 否 | 1000 |
| do_eval | 是否在保存模型时启动评估 | 否 | 否 |
| log_interval | 打印日志的间隔步数 | 否 | 10 |
| resume | 是否从检查点中恢复训练状态 | 否 | None |
| keep_checkpoint_max | 最多保存模型的数量 | 否 | 5 |
| quant_config | 量化配置文件，一般放在configs/quant目录下 | 否 | None |
| seed | Paddle/numpy/random的全局随机种子值 | 否 | None |
注意：使用一个 batch 数据对模型进行一次参数更新的过程称之为一步，iters 即为训练过程中的训练步数。完整遍历一次数据对模型进行训练的过程称之为一次迭代，epochs 即为训练过程中的训练迭代次数。一个epoch包含多个iter。
Paddle3D使用VisualDL来记录训练过程中的指标和数据，我们可以在训练过程中，在命令行使用VisualDL启动一个server，并在浏览器查看相应的数据
# logdir需要和训练脚本中指定的save_dir保持一致
# 指定实际IP和端口
visualdl --logdir output --host ${HOST_IP} --port {$PORT}
为了导出量化的模型，我们可以对模型进行量化训练，量化后的模型可以使用TensorRT + int8进行推理，从而提升推理速度，使用如下命令启动量化训练。
以多卡训练为例子，使用如下命令启动多卡量化训练，同样只训练100个iter进行快速体验
export CUDA_VISIBLE_DEVICES=0,1,2,3
# 注意这是一次新的训练，需要指定加载已经训练好的模型参数进行微调
# 并且指定新的模型保存路径
fleetrun tools/train.py \
--config configs/smoke/smoke_dla34_no_dcn_kitti.yml \
--iters 100 \
--log_interval 10 \
--save_interval 20 \
--quant_config configs/quant/smoke_kitti.yml \
--model output/iter_100/model.pdparams \
--save_dir output_smoke_quant注意，不同的模型需要探索不同的量化训练配置（如重新训练的次数，学习率衰减等），我们提供了 SMOKE 和 CenterPoint 的配置文件供参考
单卡评估
当模型训练完成后，需要对训练完成的模型进行指标评估，确保模型的指标满足诉求。目前Paddle3D的模型只支持单卡评估，使用以下命令启动评估脚本
wget https://paddle3d.bj.bcebos.com/models/smoke/smoke_dla34_no_dcn_kitti/model.pdparams
python tools/evaluate.py --config configs/smoke/smoke_dla34_no_dcn_kitti.yml --model model.pdparams评估脚本参数介绍
| 参数名 | 用途 | 是否必选项 | 默认值 |
|---|---|---|---|
| batch_size | 评估时的batch size | 否 | 配置文件中指定值 |
| config | 配置文件路径 | 是 | - |
| model | 模型参数路径 | 否 | - |
| num_workers | 用于异步读取数据的进程数量， 大于等于1时开启子进程读取数据 | 否 | 2 |
| quant_config | 量化配置文件，一般放在configs/quant目录下，如果模型使用量化训练，则在评估时同样需要指定量化配置文件 | 否 |
当完成模型训练后，我们需要将模型导出成推理格式进行部署，我们加载Paddle3D已经训练完成的SMOKE模型参数进行模型导出
wget https://paddle3d.bj.bcebos.com/models/smoke/smoke_dla34_no_dcn_kitti/model.pdparams
python tools/export.py --config configs/smoke/smoke_dla34_no_dcn_kitti.yml --model model.pdparams导出脚本参数介绍
| 参数名 | 用途 | 是否必选项 | 默认值 |
|---|---|---|---|
| config | 配置文件路径 | 是 | - |
| model | 模型参数路径 | 否 | - |
| export_for_apollo | 是否用于Apollo部署，当打开该开关时，会同步生成用于Apollo部署的meta文件 | 否 | False |
| save_dir | 推理模型文件的保存路径 | 否 | exported_model |
| save_name | 推理模型文件的保存名字 | 否 | None(由各模型自定决定) |
| quant_config | 量化配置文件，一般放在configs/quant目录下，如果模型使用量化训练，则在模型导出时同样需要指定量化配置文件 | 否 |
请根据实际模型选择对应的部署文档进行参照