1. 环境准备从零开始的正确姿势搭建BEVFusion和MMDetection3D训练环境就像组装一台精密仪器任何一个零件不匹配都会导致整个系统崩溃。我花了三天时间踩遍了所有坑终于摸清了在CUDA 11.8环境下最稳定的组合方案。首先需要明确几个关键点Python版本要锁定3.8太高或太低都会出问题PyTorch必须严格匹配CUDA 11.8而mmcv-full就像精密齿轮差0.1个版本号都可能让整个系统卡死。我建议先用conda创建一个干净的环境这是避免依赖冲突的最佳实践。执行以下命令时要注意conda和pip的源最好都换成国内镜像否则下载速度会让你怀疑人生conda create -n mmdet3d python3.8 conda activate mmdet3d安装PyTorch时最容易踩的第一个坑——官网默认给的命令可能不适用。经过多次测试我发现这个组合最稳定pip install torch2.2.0 torchvision0.17.0 torchaudio2.2.0 --index-url https://download.pytorch.org/whl/cu118验证PyTorch是否识别CUDA 11.8很重要可以跑个简单测试import torch print(torch.__version__) # 应该输出2.2.0 print(torch.cuda.is_available()) # 必须返回True print(torch.version.cuda) # 应该显示11.82. 关键依赖安装毫米级精度匹配mmcv-full的安装是整个过程中最令人崩溃的环节我见过太多人在这里放弃。关键是要同时满足三个条件CUDA版本、PyTorch版本和mmcv-full版本的三重匹配。根据我的实测这个组合从没让我失望过pip install mmcv-full1.7.2 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.2.0/index.html接下来安装mmdet时要注意最新版反而容易出问题。2.20.0这个版本虽然不算新但在BEVFusion项目中表现稳定pip install mmdet2.20.0NumPy的版本陷阱很多人会忽略。当看到AttributeError: module numpy has no attribute bool这个报错时别慌这是新老版本API不兼容导致的。解决方案很简单pip uninstall numpy pip install numpy1.22 -i https://pypi.tuna.tsinghua.edu.cn/simplespconv和cumm这两个库对CUDA版本极其敏感。安装时一定要带上cu118后缀pip install cumm-cu118 pip install spconv-cu118最后别忘了mmengine这个基础组件虽然不直接参与计算但没有它整个系统就跑不起来pip install mmengine3. 常见报错与实战解决方案3.1 MMCV版本地狱最经典的报错莫过于MMCV2.2.0 is used but incompatible. Please install mmcv2.0.0rc4, 2.2.0。这个问题困扰了我整整一天最后发现是mmdetection的版本检查太严格。临时解决方案是直接修改源码找到你的Python环境下的mmdet/__init__.py文件路径类似/your/path/lib/python3.8/site-packages/mmdet/__init__.py把版本检查的代码改成mmcv_minimum_version 1.3.17 mmcv_maximum_version 1.7.2 mmcv_version digit_version(mmcv.__version__)3.2 Torch的device类型陷阱当遇到int object has no attribute type这个诡异错误时说明PyTorch的并行处理代码对设备类型判断有问题。需要自定义一个安全获取stream的函数def safe_get_stream(device): if isinstance(device, int): device torch.device(fcuda:{device}) return _get_stream(device)然后重写Scatter类的forward方法class Scatter: staticmethod def forward(target_gpus: List[int], input: Union[List, Tensor]) - tuple: input_device get_input_device(input) streams None if input_device -1 and target_gpus ! [-1]: streams [safe_get_stream(device) for device in target_gpus] outputs scatter(input, target_gpus, streams) if streams is not None: synchronize_stream(outputs, target_gpus, streams) return tuple(outputs) if isinstance(outputs, list) else (outputs, )3.3 动态链接库失踪案ImportError: libtorch_cuda_cu.so: cannot open shared object file这个错误看似可怕其实解决起来很简单——就是mmcv-full版本没装对。确保你安装的mmcv-full明确指定了CUDA和PyTorch版本pip install mmcv-full1.7.2 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.2.0/index.html如果还不行试试暴力但有效的方法export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH4. 验证环境是否正常工作装完所有组件后建议跑个简单测试。创建一个test.py文件import torch import mmcv import mmdet import numpy as np print(PyTorch版本:, torch.__version__) print(CUDA可用:, torch.cuda.is_available()) print(mmcv版本:, mmcv.__version__) print(mmdet版本:, mmdet.__version__) print(numpy版本:, np.__version__) # 测试CUDA张量计算 x torch.rand(5, 3).cuda() print(CUDA张量计算正常:, x x.t())运行后应该看到所有版本信息正确输出且没有报错。如果一切正常恭喜你成功闯过了环境搭建的雷区。接下来就可以愉快地跑BEVFusion和MMDetection3D的训练了。记住深度学习环境搭建就像做化学实验精确测量和耐心调试才是成功的关键。