CenterPoint检测模型训练
这篇教程主要是告诉大家如何利用HAT在数据集 nuscenes 上从头开始训练一个 CenterPoint 模型，包括浮点、量化和定点模型。
数据集准备
在开始训练模型之前，第一步是需要准备好数据集，可以在 nuscenes数据集 下载 1.0 版本的完整数据文件。
下载后，解压并按照如下方式组织文件夹结构：
为了提升训练的速度，我们对数据信息文件做了一个打包，将其转换成lmdb格式的数据集。只需要运行下面的脚本，就可以成功实现转换：
上面这两条命令分别对应着转换训练数据集和验证数据集，打包完成之后，tmp_data目录下的文件结构应该如下所示：
train_lmdb 和 val_lmdb 就是打包之后的训练数据集和验证数据集，也是网络最终读取的数据集，meta中为评测脚本需要的初始化信息，具体信息是从 nuscenes 原始数据集中拷贝得来。
同时，为了训练 nuscenes 点云数据，还需要为 nuscenes 数据集生成每个单独的训练目标的点云数据， 并将其存储在 tmp_nuscenes/lidar/nuscenes_gt_database 的 .bin 格式的文件中，文件保存目录可根据需要更改。 同时，需要为这部分数据生成 .pkl 格式的包含数据信息的文件。
此外，训练数据集初始化过程中需要读取全部数据集中每个sample的类别信息，并进行重采样操作，我们可以提前生成对应的信息并保存成 .pkl 格式的文件，可以加速训练过程。 通过运行下面的命令来创建上述数据：
执行上述命令后，生成的文件目录如下：
其中，nuscenes_gt_database 和 nuscenes_dbinfos_train.pkl 是训练是用于采样的样本，而 nuscenes_dbinfos_train.pkl 则包含训练数据集初始化需要的信息。
浮点模型训练
数据集准备好之后，就可以开始训练浮点型的CenterPoint网络了。在网络训练开始之前，你可以使用以下命令先测试一下网络的计算量和参数数量：
如果你只是单纯的想启动这样的训练任务，只需要运行下面的命令就可以：
由于HAT算法包使用了一种巧妙的注册机制，使得每一个训练任务都可以按照这种train.py加上config配置文件的形式启动。 train.py是统一的训练脚本，与任务无关，我们需要训练什么样的任务、使用什么样的数据集以及训练相关的超参数设置都在指定的config配置文件里面。 config文件里面提供了模型构建、数据读取等关键的dict。
模型构建
CenterPoint 的网络结构可以参考 论文 ，这里不做详细介绍。
我们通过在config配置文件中定义 model 这样的一个dict型变量，就可以方便的实现对模型的定义和修改。
其中， model 下面的 type 表示定义的模型名称，剩余的变量表示模型的其他组成部分。这样定义模型的好处在于我们可以很方便的替换我们想要的结构。
训练脚本在启动之后，会调用 build_model 接口，将这样一个dict类型的model变成类型为 torch.nn.Module 类型的model。
数据增强
跟 model 的定义一样，数据增强的流程是通过在config配置文件中定义 data_loader 和 val_data_loader 这两个dict来实现的，分别对应着训练集和验证集的处理流程。以 data_loader 为例：
其中type直接用的pytorch自带的接口 torch.utils.data.DataLoader，表示的是将 batch_size 大小的样本组合到一起。
这里面唯一需要关注的可能是 dataset 这个变量， data_path 路径也就是我们在第一部分数据集准备中提到的路径。 transforms 下面包含着一系列的数据增强。 val_data_loader 中只有读取点云文件、Format 和 Collect3D。 你也可以通过在 transforms 中插入新的dict实现自己希望的数据增强操作。
训练策略
为了训练一个精度高的模型，好的训练策略是必不可少的。对于每一个训练任务而言，相应的训练策略同样都定义在其中的config文件中，从 float_trainer 这个变量就可以看出来。
float_trainer 从大局上定义了我们的训练方式，包括使用多卡分布式训练（distributed_data_parallel_trainer），模型训练的epoch次数，以及优化器的选择。
同时 callbacks 中体现了模型在训练过程中使用到的小策略以及用户想实现的操作，包括学习率的变换方式(CyclicLrUpdater)，在训练过程中验证模型的指标(Validation)，以及保存(Checkpoint)模型的操作。当然，如果你有自己希望模型在训练过程中实现的操作，也可以按照这种dict的方式添加。
float_trainer 负责将整个训练的逻辑给串联起来，其中也会负责模型的pretrain。
如果需要复现精度，config中的训练策略最好不要修改。否则可能会有意外的训练情况出现。
通过上面的介绍，你应该对config文件的功能有了一个比较清楚的认识。然后通过前面提到的训练脚本，就可以训练一个高精度的纯浮点的检测模型。 当然训练一个好的检测模型不是我们最终的目的，它只是做为一个pretrain为我们后面训练定点模型服务的。
量化模型训练
当我们有了纯浮点模型之后，就可以开始训练相应的定点模型了。和浮点训练的方式一样，我们只需要通过运行下面的脚本就可以训练定点模型了。不过这里需要说明的是，CenterPoint在量化训练过程中建议加上calibration的流程。calibration可以为QAT的量化训练提供一个更好的初始化参数。
可以看到，我们的配置文件没有改变，只改变了 stage 的类型。此时我们使用的训练策略来自于config文件中的qat_trainer。
model_convert_pipeline参数值不同
当我们训练量化模型的时候，需要设置model_convert_pipeline，此时相应的浮点模型会被转换成量化模型，相关代码如下：
关于量化训练中的关键步骤，比如准备浮点模型、算子替换、插入量化和反量化节点、设置量化参数以及算子的融合等，请阅读 量化感知训练 章节的内容。
训练策略不同
正如我们之前所说，量化训练其实是在纯浮点训练基础上的finetue。因此量化训练的时候，我们的初始学习率设置为浮点训练的十分之一，训练的epoch次数也大大减少，最重要的是 model 定义的时候，我们的 pretrained 需要设置成已经训练出来的纯浮点模型的地址。
做完这些简单的调整之后，就可以开始训练我们的量化模型了。
导出定点模型
完成量化训练后，便可以开始导出定点模型。可以通过下面命令来导出：
模型验证
模型训练完成之后，我们还可以验证训练出来的模型性能。由于我们提供了float和qat两阶段的训练过程，相应的我们可以验证这两个阶段训练出来的模型性能，只需要相应的运行以下两条命令即可：
同时，我们还提供了quantization模型的性能测试，只需要运行以下命令，但需要注意是必须要先导出hbir：
这个显示出来的精度才是最终的int8模型的真正精度，当然这个精度和qat验证阶段的精度应该是保持十分接近的。
仿真上板精度验证
除了上述模型验证之外，我们还提供和上板完全一致的精度验证方法，可以通过下面的方式完成：
模型推理和结果可视化
如果你希望可以看到训练出来的模型对于雷达点云的检测效果，我们的tools文件夹下面同样提供了点云预测及可视化的脚本，你只需要运行以下脚本即可：
模型检查和编译
在训练完成之后，可以使用 compile_perf_hbir 的工具用来将量化模型编译成可以上板运行的 hbm 文件，同时该工具也能预估在BPU上的运行性能，可以采用以下脚本：