矢量三维模型
围绕工业、城市、政务等重点场景打造以盘古CV大模型为中心的通用视觉能力,助力企业实现CV模型“工业化”生产,并打通模型监控-数据回传-持续学习-自动评估-持续更新的AI全链路闭环。在工业场景已有多个应用。
业,快速孵化大模型场景化应用 大模型混合云十大创新技术 大模型混合云十大创新技术 了解详情 十大创新技术 加速构建企业专属大模型 十大创新技术 加速构建企业专属大模型 围绕企业大模型构建关键过程,聚焦根技术,为AI原生系统性创新 围绕企业大模型构建关键过程,聚焦根技术,为AI原生系统性创新
盘古大模型 PanguLargeModels 盘古大模型 PanguLargeModels 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构 盘古大模型是面向B端行业的大模型,包含L0中5类基础大模型、L1行业大模型及L2场景模型三层架构
果辅助分析能力 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古预测大模型能力与规格 盘古大模型快速入门 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区 AI Gallery百模千态社区 优质昇腾云AI模型专区 几行代码自由部署AI应用 丰富多样的AI训练数据集
718B深度思考模型 高效训推 覆盖全链路的训推工具 负载均衡 多维度负载均衡策略 安全防护 支持模型加密与模型混淆保护 盘古NLP大模型系列 模型规格说明 训练和部署盘古系列模型、三方开源模型请登录 ModelArts Studio控制台 盘古NLP大模型系列 模型规格说明 训练和部署盘古系列模型、三方开源模型请登录
全球模型 提供高精度的全球模型,无需定制和训练,直接订阅即可推理 多种部署形态 支持公有云、混合云、边缘多种形态,满足不同需求 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古科学计算大模型能力与规格 盘古大模型用户指南 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区
生成的大模型,为其端到端仿真高效迭代提供强有力支撑。 文档与学习成长 盘古大模型 盘古大模型 什么是盘古大模型 盘古多模态大模型能力与规格 用户指南 如何调用盘古大模型API 查看全部 AI Gallery百模千态社区 AI Gallery百模千态社区 优质昇腾云AI模型专区 几行代码自由部署AI应用
盘古行业大模型 盘古行业大模型 盘古行业大模型化解行业数据构建难、模型效果调优难、场景能力评测难三大难题,助力行业客户更快、更优构建专业大模型 盘古行业大模型化解行业数据构建难、模型效果调优难、场景能力评测难三大难题,助力行业客户更快、更优构建专业大模型 专家咨询 ModelArts
聚合各类卡证票券,为您的用户提供便利的数字化生活方式 了解详情 Graphics 3D建模服务 为您提供3D物体模型自动生成和PBR材质生成功能,实现3D数字内容高效生产 为您提供3D物体模型自动生成和PBR材质生成功能,实现3D数字内容高效生产 了解详情 计算加速服务 提供高性能的多线程编程和计算加速能力
多语种内容审核,平台全面保护 一站式大模型开发平台 一站式大模型开发平台 ModelArts Studio大模型开发平台是集数据管理、模型训练、模型部署于一体的综合平台,专为开发和应用大模型而设计,旨在为开发者提供简单、高效的大模型开发和部署方式 为什么选择大模型开发平台ModelArts Studio
在线编辑,提供对矢量数据的多人在线实时编辑、历史版本回退、图元冲突检测等能力;支持点线面图元类型数据的增删改、绘制与节点编辑等,适用于数据生产、协同编辑等场景。7、 在线制图,提供点、符号、线、简单面、三维面五种矢量数据类型的颜色、大小、线框简单样式的设置;提供矢量数据类型组合复杂
PostGIS 三维算法相关模块yukon_geomodel:Yukon自有的三维模型数据模块yukon_geogridcoder:Yukon自有的空间网格编码模块产品功能介绍 (1)矢量栅格数据 二三维一体化数据存储 便捷高效的空间SQL操作丰富的空间SQL函数 矢量 300+
PostGIS 三维算法相关模块yukon_geomodel:Yukon自有的三维模型数据模块yukon_geogridcoder:Yukon自有的空间网格编码模块产品功能介绍 (1)矢量栅格数据 二三维一体化数据存储 便捷高效的空间SQL操作丰富的空间SQL函数 矢量 300+
PostGIS 三维算法相关模块yukon_geomodel:Yukon自有的三维模型数据模块yukon_geogridcoder:Yukon自有的空间网格编码模块产品功能介绍(1)矢量栅格数据二三维一体化数据存储 便捷高效的空间SQL操作丰富的空间SQL函数 矢量 300+(3
制作。提供结合业务需求进行的二三维空间数据服务发布功能。 10、三维建模三维建模是物体的多边形表示,其包含室内三维建模和室外三维建模,室外三维建模指城市地形地貌,地上地下人工构筑物等的三维表达,反应对象的空间位置,几何形态,纹理及属性信息。室内三维建模指室内空间规划,造型构造以及
图制作。提供结合业务需求进行的二三维空间数据服务发布功能。10、三维建模三维建模是物体的多边形表示,其包含室内三维建模和室外三维建模,室外三维建模指城市地形地貌,地上地下人工构筑物等的三维表达,反应对象的空间位置,几何形态,纹理及属性信息。室内三维建模指室内空间规划,造型构造以及
产业园区级的可视化系统。2.矢量地图数据处理服务创建三维地图前,基于GIS矢量数据进行校队和调整,确保矢量数据的坐标是系统支持的坐标系(CGCS2000_3_Degree_GK_CM_114E),并且是最新的矢量数据。3.应用集成实施服务对CIM三维可视化平的数据中台底座需要对接
便捷的瓦片合并:支持将多个瓦片地图库合并为一个瓦片库。(二)地上地下一体化的三维建模提供三维编辑插件,支持地上地下一体化建模。1.提供多样化的输入建模能力:支持四棱锥、圆柱、圆锥、球等三维输入建模。2.支持便捷、低成本的三维建模:支持基于二维矢量线/区进行三维面/体建模。(三)多样化的数据转换处理提供完善的
手工三维建模:分室外模型和室内模型,室外模型将根据实际进行室外简单模型、室外一般模型、室外精细模型建设;室内模型构建分为室内简单模型和复杂模型。 数据建库:针对客户提供的或项目生产的倾斜影像、三维模型数据分别构建倾斜摄影数据库和三维模型数据库。 BIM模型切片入库
模能力,具备强大的三维建模和渲染功能,能够满足各种复杂场景的设计需求。 中望3D平台设计软件 高效便捷 中望3D平台具有强大的实体建模能力,可以帮助中小企业快速建立三维模型,提高产品设计效率。 中望3D平台具有强大的实体建模能力,可以帮助中小企业快速建立三维模型,提高产品设计效率。
ModelArts模型训练 ModelArts模型训练简介 ModelArts模型训练,俗称“建模”,指通过分析手段、方法和技巧对准备好的数据进行探索分析,从中发现因果关系、内部联系和业务规律,为商业目的提供决策参考。训练模型的结果通常是一个或多个机器学习或深度学习模型,模型可以应用到新的数据中,得到预测、评价等结果。
份恢复,监控告警等关键能力,能为企业提供功能全面,稳定可靠,扩展性强,性能优越的企业级数据库服务。 立即购买 控制台 GaussDB数据库模型 了解云数据库 GaussDB 超高可用 支持跨机房、同城、异地、多活高可用,支持分布式强一致,数据0丢失 支持跨机房、同城、异地、多活高可用,支持分布式强一致,数据0丢失
国产替代。 国产自主可控的三维CAD软件 新迪天工CAD融合了国际一流的三维CAD软件技术和十几年CAD软件研发积累,是一款国产自主可控的三维CAD软件。产品成熟度和技术能力比肩国际先进水平,满足工业企业研发设计需求。 新迪天工CAD融合了国际一流的三维CAD软件技术和十几年CA
工程、模型训练、模型评估和模型部署,从而提高开发效率。 该平台能够提供一站式的数据处理和开发服务,包括数据集成、数据预处理、特征工程、模型训练、模型评估和模型部署,从而提高开发效率。 AI开发平台 快速模型部署与服务 该平台支持一键部署模型,能够提高模型部署效率,实现模型到业务的无缝衔接,缩短模型开发周期。
TMS可视化分析 仿真模型可视化软件 TMS可视化分析 仿真模型可视化软件 CAXView是一套功能强大的仿真模型可视化软件,该软件支持各种仿真原生数据的可视化渲染,并具有强大的分析功能,包括测量、剖面、标注、质量统计、模型审查以及多源数据管理等功能。 CAXView是一套功能强
华为云盘古大模型 华为云盘古大模型 AI for Industries 大模型重塑千行百业 AI for Industries 大模型重塑千行百业 盘古大模型致力于深耕行业,打造金融、政务、制造、矿山、气象、铁路等领域行业大模型和能力集,将行业知识know-how与大模型能力相结合
高级制图、配图工具等辅助工具。 地图易 地图服务 “地图易”服务提供了丰富的地图服务,包括栅格、矢量瓦片服务、要素服务、几何服务等。 “地图易”服务提供了丰富的地图服务,包括栅格、矢量瓦片服务、要素服务、几何服务等。 TMS地图服务 地图易 产品介绍 地图易——中小企业地图服务的最佳选择
DeepSeek-R1蒸馏模型部署及体验 DeepSeek-R1蒸馏模型部署及体验 在MaaS平台上,DeepSeek-R1蒸馏模型已经部署上线,开发者可以通过在线体验或API调用来使用这些模型。开发者可以在MaaS平台上轻松部署和使用这些模型,以满足不同场景下的需求。 在Maa
矢量三维模型
方案概览
VAD (Vectorized Scene Representation for Efficient Autonomous Driving) 是一种面向自动驾驶的端到端矢量化范式,将驾驶场景建模为完全矢量化的表征。该矢量化范式具有两大显著优势:一方面,VAD利用矢量化的智能体运动轨迹和地图元素作为显式的实例级规划约束,有效提升了规划安全性;另一方面,通过摒弃计算密集的栅格化表征和人工设计的后处理步骤,VAD的运行速度显著快于先前的端到端规划方法。VAD在nuScenes数据集上取得了最先进的端到端规划性能,较先前最佳方法有显著提升。
本方案介绍了在 ModelArts Lite Server上使用昇腾计算资源 Ascend Snt9B 或 Ascend Snt9B23 开展VAD模型的训练过程。
资源规格要求
推荐使用“西南-贵阳一”Region上的Lite Server资源。
名称 |
版本 |
---|---|
NPU卡数 |
Ascend Snt9B:8卡, Ascend Snt9B23:8卡 或 16卡 |
Driver |
Ascend Snt9B:24.1.0.6, Ascend Snt9B23:24.1.RC3.5 |
PyTorch |
PyTorch-2.1.0 |
获取软件和 镜像
分类 |
名称 |
获取路径 |
---|---|---|
插件代码包 |
AscendCloud-ACD-6.5.905-xxx.zip 文件名中的xxx表示具体的时间戳,以包名发布的实际时间为准。 |
获取路径:Support-E,在此路径中查找下载ModelArts 6.5.905版本。
说明:
如果上述软件获取路径打开后未显示相应的软件信息,说明您没有下载权限,请联系您所在企业的华为方技术支持下载获取。 |
Snt9B 基础镜像包 |
swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b-20250513111215-29295f8 |
SWR 上拉取。 |
Snt9B23 基础镜像包 |
swr.cn-southwest-2.myhuaweicloud.com/atelier/pytorch_2_1_ascend:pytorch_2.1.0-cann_8.1.rc1-py_3.10-hce_2.0.2503-aarch64-snt9b23-20250509115535-21587eb |
SWR上拉取。 |
约束限制
- 本文档适配昇腾云ModelArts 6.5.905版本,请参考表2 获取软件和镜像获取配套版本的软件包和镜像,请严格遵照版本配套关系使用本文档。
- 确保容器可以访问公网。
步骤一:检查环境
- 请参考Lite Server资源开通,购买Lite Server资源,并确保机器已开通,密码已获取,能通过SSH登录,不同机器之间网络互通。
购买Lite Server资源时如果无可选资源规格,需要联系华为云技术支持申请开通。
当容器需要提供服务给多个用户,或者多个用户共享使用该容器时,应限制容器访问Openstack的管理地址(169.254.169.254),以防止容器获取宿主机的元数据。具体操作请参见禁止容器获取宿主机元数据。
- SSH登录机器后,检查NPU卡状态。运行如下命令,返回NPU设备信息。
npu-smi info # 在每个实例节点上运行此命令可以看到NPU卡状态
如出现错误,可能是机器上的NPU设备没有正常安装,或者NPU镜像被其他容器挂载。请先正常安装固件和驱动,或释放被挂载的NPU。
- 检查是否安装docker。
docker -v #检查docker是否安装
如尚未安装,运行以下命令安装docker。
yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64
- 配置IP转发,用于容器内的网络访问。执行以下命令查看net.ipv4.ip_forward配置项的值,如果为1,可跳过此步骤。
sysctl -p | grep net.ipv4.ip_forward
如果net.ipv4.ip_forward配置项的值不为1,执行以下命令配置IP转发。sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf sysctl -p | grep net.ipv4.ip_forward
步骤二:下载镜像并启动容器
- 获取基础镜像。建议使用官方提供的镜像部署推理服务。镜像地址{image_url}参见表2 获取软件和镜像。
docker pull {image_url}
- 启动 容器镜像 。启动前请先按照参数说明修改${}中的参数。可以根据实际需要增加修改参数。
export work_dir="自定义挂载的工作目录" export container_work_dir="自定义挂载到容器内的工作目录" export container_name="自定义容器名称" export image_name="镜像名称" docker run -itd \ -u root \ --device=/dev/davinci0 \ --device=/dev/davinci1 \ --device=/dev/davinci2 \ --device=/dev/davinci3 \ --device=/dev/davinci4 \ --device=/dev/davinci5 \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci8 \ --device=/dev/davinci9 \ --device=/dev/davinci10 \ --device=/dev/davinci11 \ --device=/dev/davinci12 \ --device=/dev/davinci13 \ --device=/dev/davinci14 \ --device=/dev/davinci15 \ --device=/dev/davinci_manager \ --device=/dev/devmm_svm \ --device=/dev/hisi_hdc \ -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \ -v /usr/local/dcmi:/usr/local/dcmi \ -v /etc/ascend_install.info:/etc/ascend_install.info \ -v /sys/fs/cgroup:/sys/fs/cgroup:ro \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver \ -v /usr/bin/hccn_tool:/usr/bin/hccn_tool \ -v /etc/hccn.conf:/etc/hccn.conf \ --shm-size 1024g \ --net=host \ -v ${work_dir}:${container_work_dir} \ --name ${container_name} \ $image_name \ /bin/bash
参数说明:
- -v ${work_dir}:${container_work_dir}:代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。为方便两个地址可以相同。例如“/home/vad:/home/vad ”
${work_dir}为宿主机中工作目录,目录下可存放项目所需代码、数据等文件。请确保容器内用户对此路径有足够的访问权限。
${container_work_dir}为要挂载到的容器中的目录。
- --name ${container_name} 容器名称,进入容器时会用到,此处可以自己定义一个容器名称,例如“vad_test”。
- --device=/dev/davinci0 :挂载对应卡到容器,请按照机器实际需要使用到的NPU数量来配置,上面给出的是使用16卡NPU训练的例子。
- 请确保容器内用户对${work_dir}有足够的访问权限。
- ${container_work_dir}不能为/home/ma-user目录,此目录为ma-user用户家目录。
- driver及npu-smi需同时挂载至容器。
- 不要将多个容器绑到同一个NPU上,会导致后续的容器无法正常使用NPU功能。
- -v ${work_dir}:${container_work_dir}:代表需要在容器中挂载宿主机的目录。宿主机和容器使用不同的文件系统。为方便两个地址可以相同。例如“/home/vad:/home/vad ”
- 进入容器。
docker exec -u root -it ${container_name} bash
步骤三:容器内训练环境准备
- 创建新的虚拟环境
conda create -n vad --clone PyTorch-2.1.0 conda activate vad
- 创建项目目录
mkdir -p /home/vad/project cd /home/vad/project export P_HOME=`pwd`
- 将获取到的插件代码包AscendCloud-ACD-6.5.905-*.zip文件上传到容器的${P_HOME}目录下,并解压。
cd $P_HOME unzip -q AscendCloud-ACD-6.5.905-*.zip # 解压905自动驾驶相关版本包 cd AscendCloud* mv models/VAD $P_HOME/VAD_support
- 创建patches目录,并将patch文件移入目录
cd $P_HOME mkdir patches && cd patches export PATCH_HOME=`pwd` mv $P_HOME/VAD_support/*.patch . # 将patch相关文件移动到此文件夹
- 安装 DrivingSDK
cd $P_HOME git clone https://gitee.com/ascend/DrivingSDK.git -b master cd DrivingSDK git checkout 059ec6e170152170c407e595e09e0823e44f4ba8 pip3 install -r requirements.txt vim CMakePresets.json # 修改 "ENABLE_ONNX"选项: 为False umask 0027 # 保证文件权限正确 bash ci/build.sh --python=3.10 # 按照镜像内python版本指定 pip3 install ./dist/mx_driving-1.0.0+git059ec6e-cp310-cp310-linux_aarch64.whl pip3 show mx-driving # Version: 1.0.0+git059ec6e
- 安装MindSpeed
cd $P_HOME git clone https://gitee.com/ascend/MindSpeed.git cd MindSpeed git checkout c3f2f77f58efba69dd21840fcbb758645fa5b579 pip3 install -e . pip3 show mindspeed # Version: 0.9.0
- 安装mmcv-full 1.x
# 卸载镜像内原有的mmcv pip3 uninstall mmcv -y cd $P_HOME git clone https://github.com/open-mmlab/mmcv.git cd mmcv git checkout 1d8f9285674f2b1f9f2d7758d3f945ebb74fcf82 git apply $PATCH_HOME/mmcv.patch MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py build_ext MMCV_WITH_OPS=1 FORCE_NPU=1 python setup.py develop pip3 show mmcv-full # Version: 1.7.2
- 安装 mmdet3d v1.0.0rc6
cd $P_HOME git clone https://github.com/open-mmlab/mmdetection3d.git cd mmdetection3d git checkout 47285b3f1e9dba358e98fcd12e523cfd0769c876 git apply $PATCH_HOME/mmdet3d.patch pip3 install -e . pip3 show mmdet3d # Version: 1.0.0rc6
- 安装其它依赖
pip3 install mmdet==2.28.2 mmsegmentation==0.30.0 timm==1.0.9 nuscenes-devkit==1.1.11 similaritymeasures==1.2.0 numpy==1.23.4
- 下载模型代码,将插件代码包内的scripts文件夹移动到模型代码目录
cd $P_HOME git clone https://github.com/hustvl/VAD.git cd VAD export VAD_HOME=`pwd` git checkout 081473d6e1756a4ecee95425c05fc6644d17bb5f git apply $PATCH_HOME/vad.patch mv $P_HOME/VAD_support/scripts . # 将scripts文件夹移动到此目录
步骤四:准备训练数据集和模型权重
- 请参考GitHub项目内数据处理部分的文档下载 nuScenes V1.0 full 和 CAN bus 数据集。
- 创建data目录并将下载的数据集做预处理。
cd $VAD_HOME mkdir data && cd data # 将下载好的数据集移动到此目录下并解压 # 对数据集做预处理 cd $VAD_HOME python tools/data_converter/vad_nuscenes_converter.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag vad_nuscenes --version v1.0 --canbus ./data
- 数据处理耗时较长。
- 下载预训练模型权重。
cd $VAD_HOME mkdir ckpts && cd ckpts wget https://download.pytorch.org/models/resnet50-19c8e357.pth
最终目录结构如下。VAD ├── projects/ ├── tools/ ├── configs/ ├── ckpts/ │ ├── resnet50-19c8e357.pth ├── data/ │ ├── can_bus/ │ ├── nuscenes/ │ │ ├── lidarseg/ │ │ ├── maps/ │ │ ├── samples/ │ │ ├── sweeps/ │ │ ├── v1.0-test/ │ │ ├── v1.0-trainval/ │ │ ├── vad_nuscenes_infos_temporal_train.pkl # 由数据预处理生成 │ │ ├── vad_nuscenes_infos_temporal_val.pkl # 由数据预处理生成
步骤五:开始训练与评估
- 进行8卡训练(精度)
cd $VAD_HOME sh scripts/start_train.sh
- 进行8卡训练(性能)
cd $VAD_HOME NPUS=8 MODE=performance sh scripts/start_train.sh
- 进行16卡训练(性能)
cd $VAD_HOME NPUS=16 MODE=performance sh scripts/start_train.sh
- 进行1卡评估
cd $VAD_HOME # 使用上次训练的最后一个模型做评估 sh scripts/start_evl.sh # 指定模型做评估 MODEL_PATH="to/model/path.pt" sh scripts/start_evl.sh
- 输出结果路径
# 训练结果目录 $VAD_HOME/scripts/output # 评估结果目录 $VAD_HOME/scripts/evl_result
- 当前模型训练和评估需要单独进行,无法在训练过程中进行评估。
- 请勿自行修改配置文件内Batch_Size的值。
- 当前只能进行单卡评估,多卡会影响评估结果准确性。
- 如果想使用预训练模型进行评估需要参照项目官网修改配置文件,具体细节可以参考:https://github.com/hustvl/VAD/blob/main/docs/train_eval.md
矢量三维模型常见问题
更多常见问题 >>-
模型转换,即将开源框架的网络模型(如Caffe、TensorFlow等),通过ATC(Ascend Tensor Compiler)模型转换工具,将其转换成昇腾AI处理器支持的离线模型。
-
集实体建模、曲面造型、装配设计、工程图、钣金等混合建模能力
-
DLI服务适用于海量日志分析、异构数据源联邦分析、大数据ETL处理。
-
ModelArts模型训练旨在提升开发者模型训练的开发效率及训练性能。提供了可视化作业管理、资源管理、版本管理等功能,基于机器学习算法及强化学习的模型训练自动超参调优;预置和调优常用模型,简化模型开发和全流程训练管理。
-
GaussDB是华为自主创新研发的分布式关系型数据库。具备企业级复杂事务混合负载能力,同时支持分布式事务,同城跨AZ部署,数据0丢失,支持1000+节点的扩展能力,PB级海量存储。
-
华为云携手瞰景为实景三维建模提供高性能计算解决方案,实景三维建模场景:卫星测绘、无人机测绘、航空摄影测绘、地面测绘
更多相关专题
增值电信业务经营许可证:B1.B2-20200593 | 域名注册服务机构许可:黔D3-20230001 | 代理域名注册服务机构:新网、西数