前言
本节记录基于 OpenPCDet 训练 检测模型，通过 进行部署；
训练环境配置
对于路侧设备，单纯做雷达3D目标检测，最开始用 MMDetection3D 训练自定义数据集，训练一直报错。 后来发现， MMDetection3D 不支持自定义数据集训练。
切换到 OpenPCDet 项目训练点云模型。需要特别注意版本选择——OpenPCDet 0.6 之前的版本并不支持自定义数据集训练，因此建议下载最新版本，并按要求配置训练环境。
# 在当前项目下创建环境
python3 -m venv .venv
source .venv/bin/activate
1.pip install pytorch-gpu # 官网查找与cuda对应的安装即可
2.pip install -R requirements.txt
3.pip install spconv-cu118 # 与GPU版本相同就好
4.python setup.py develop如果有不同版本CUDA，可以用下面方法临时切换CUDA版本
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-11.8
nvcc -V
python setup.py clean
python setup.py develop模型训练
处理点云坐标系为： z 轴负方向指向地面，x 轴正方向指向前方，y 轴正方向指向左侧。如果原始点云坐标系与此不一致，需要进行坐标转换。此外，如果雷达安装存在俯仰角或倾斜，需要通过旋转矩阵将点云调整到与地面平行或重合的水平位置。
完成数据预处理后，需要根据实际数据在配置文件中设置以下参数：point_cloud_range、voxel_size、各类别对应参数：anchor_sizes、anchor_rotations、anchor_bottom_heights，更改 custom.yaml、custom_dataset.yaml，然后执行下面的命令进行训练验证。
# 生成数据集
python -m pcdet.datasets.custom.custom_dataset create_custom_infos tools/cfgs/dataset_configs/custom_dataset.yaml
# 训练
python train.py --cfg_file ./cfgs/custom_models/custom.yaml --batch_size=4 --epochs=30
# 测试
python test.py --cfg_file=../output/cfgs/custom_models/custom/default/custom.yaml --batch_size=4 --ckpt=../output/cfgs/custom_models/custom/default/ckpt/checkpoint_epoch_70.pth
# 推理
python demo.py --cfg_file ../output/cfgs/custom_models/custom/default/custom.yaml --ckpt ../output/cfgs/custom_models/custom/default/ckpt/checkpoint_epoch_20.pth --data_path=../data/custom/points/000018.npy模型导出
要将训练好的模型部署到边缘计算单元，需要先将其转换为 TensorRT 模型。本项目采用 CUDA-PointPillars 进行部署。
如果使用的是最新版本的 OpenPCDet，可以通过 /CUDA-PointPillars/tools/export_onnx.py 导出模型。但直接运行该脚本会报错：
forward() missing 1 required positional argument: 'batch_dict'虽然可以通过编写包装器来绕过此问题，但在后续自定义算子环节仍会遇到错误。这是因为 CUDA-PointPillars 在导出 ONNX 模型后，会对模型结构进行修改，并引入自定义插件 PPScatterPlugin 用于输入数据的处理。因此，第一步需要先解决 forward() missing 1 required positional argument: 'batch_dict' 的问题。可参考以下链接中的解决方案：
Support latest version of OpenPCDet v0.6.0
使用上述导出程序，可以顺利解决基于 OpenPCDet 官方配置 pointpillar.yaml 的模型导出问题。但在训练自定义数据集时，我们通常会修改 POINT_CLOUD_RANGE 等参数，此时原始的导出脚本就无法直接适配了。原因在于 simplify_postprocess() 和 replace_with_clip() 等函数中，部分维度是以固定值写死的。
因此，如果要导出自定义模型，需要对导出脚本进行相应修改。可以参考这里的实现：
parameterise for custom models
另外需要注意，在 simplifier_onnx.py 文件中，存在如下定义：
VOXEL_ARRAY = np.array([int(VOXEL_SIZE_Y), int(VOXEL_SIZE_X)])这里 X 和 Y 的顺序写反了，必须手动修复，才能确保自定义模型正常导出。
还有一个需要特别注意的地方：在 simplifier_onnx.py 文件中，VOXEL_SIZE_Y 被直接转换为 int。但是计算的 VOXEL_SIZE_Y 可能不是一个整数，比如，我的边界设置为：
POINT_CLOUD_RANGE = [0.0, -60.8, -4.0, 204.8, 59.52, 4.0]
VOXEL_SIZES = [0.16, 0.16, 8.0]
VOXEL_SIZE_X = abs(POINT_CLOUD_RANGE[0] - POINT_CLOUD_RANGE[3]) / VOXEL_SIZES[0]
VOXEL_SIZE_Y = abs(POINT_CLOUD_RANGE[1] - POINT_CLOUD_RANGE[4]) / VOXEL_SIZES[1]
print(VOXEL_SIZE_Y) # 751.9999999999999
# 下面执行后，VOXEL_SIZE_Y 就会变为 751
VOXEL_ARRAY = np.array([int(VOXEL_SIZE_X),int(VOXEL_SIZE_Y)])如果直接进行 int 转换，可能会造成维度被截断，进而导致模型在导出后出现维度缺失的问题。因此，建议在模型导出完成后，结合配置文件检查并验证 PPScatterPlugin 的维度，确保其与训练时的设定完全一致。
基于此，可以正确导出自定义数据训练的自定义模型。
模型部署
直接使用 trtexec 转换 TRT 模型时会报错，这是因为导出的 onnx 文件中包含了自定义插件。在部署设备上需要先编译插件文件，并在导出时正确加载这些插件，才能完成转换。需要注意的是：
- 在旧版本中，只需直接替换
params.h文件即可完成参数配置。 - 在新版本中，
params.h文件已经移除，需要手动修改：lidar-postprocess.hpp中的PostProcessParameter，根据训练时的配置文件参数进行调整。main.cpp中create_core()的VoxelizationParameter，同样需要修改为与训练配置一致的值。
然后编译后根据 CUDA-PointPillars 页面的转换教程转换自己的 TRT 模型。
如果设备上有多个 TRT 环境时，可以按下面方法设置 trt 环境：
# 当前终端生效，设置trt环境
export LD_LIBRARY_PATH=/usr/src/TensorRT-8.5.2.2/lib:$LD_LIBRARY_PATH错误排查
在此处记录下当 TRT 推理结果与 PyTorch 模型结果不一致时，排查思路：
- 预处理验证：分别保存 python 与 C++ 端的预处理结果（模型输入前的数据），对比是否一致；也可以将 C++ 的预处理结果输入到 python 模型中，根据 python 输出结果验证 C++ 预处理环节是否正确。
- 后处理验证：保存 python 模型推理输出结果，用 TRT 程序去处理模型输出结果，验证trt后处理部分是否正常；
- 模型推理验证：保存 TRT 模型的推理输出，再交给 Python 的后处理程序处理，确认问题是否出在模型推理或模型导出阶段。 本例就是此处有异常，才不断排查模型导出的原因。
