Dynamic Voxelization目标检测环境配置与训练实战

1. Dynamic Voxelization目标检测环境配置实战

1.1 多平台环境搭建指南

在Windows系统上配置Dynamic Voxelization环境时，推荐使用Anaconda创建隔离的Python环境。我通常使用以下命令创建专用环境：

bash复制conda create -n dynamic_voxel python=3.8
conda activate dynamic_voxel

对于GPU版本的环境配置，需要特别注意CUDA和cuDNN的版本匹配问题。以RTX 30系列显卡为例，建议安装CUDA 11.3和cuDNN 8.2.1的组合。安装完成后，可以通过以下命令验证：

bash复制nvcc --version
nvidia-smi

在Ubuntu/Centos系统上，建议优先使用Docker容器方案。官方提供的预构建镜像可以省去大量依赖项配置时间：

bash复制docker pull nvcr.io/nvidia/pytorch:21.08-py3

重要提示：不同操作系统下OpenMPI的安装方式差异较大。Windows用户建议通过MS-MPI安装包，而Linux用户应使用发行版的包管理器（apt/yum）安装。

1.2 关键依赖项精解

核心依赖库的版本选择直接影响模型性能。经过多次测试验证，我推荐以下版本组合：

• PyTorch 1.9.0 + torchvision 0.10.0
• spconv 2.1.21 (需从源码编译)
• numba 0.53.1
• open3d 0.13.0

安装spconv时需要特别注意：

bash复制git clone https://github.com/traveller59/spconv.git
cd spconv && git checkout v2.1.21
python setup.py bdist_wheel

1.3 环境验证与排错

完成安装后，建议运行以下验证脚本：

python复制import torch
print(torch.cuda.is_available())  # 应返回True
from spconv import SparseConvTensor  # 不应报