RTX 3090上从零搭建BEVFusion环境：避开版本冲突的保姆级避坑指南

在深度学习领域，硬件与软件的版本兼容性问题一直是开发者面临的棘手挑战。特别是当使用RTX 3090这样的新一代显卡来运行基于较旧框架（如BEVFusion）的项目时，CUDA、PyTorch、MMCV等关键组件的版本冲突会让人寸步难行。本文将系统性地梳理这些依赖关系，提供一套经过验证的稳定版本组合方案，并深入解析每个版本选择背后的技术考量，帮助开发者不仅解决当前问题，更能举一反三应对类似的老项目新硬件适配场景。

1. 环境准备与基础组件安装

搭建BEVFusion环境的第一步是创建一个干净的Python虚拟环境。这一步看似简单，但Python版本的选择会直接影响后续所有依赖的兼容性。对于RTX 3090显卡和BEVFusion项目，推荐使用Python 3.8.3版本，这个版本在稳定性和兼容性之间取得了良好平衡。

conda create -n bevfusion python=3.8.3
conda activate bevfusion

接下来是最关键的PyTorch安装环节。RTX 3090需要CUDA 11.x支持，而BEVFusion原始要求是CUDA 9.2和PyTorch 1.3.1，这显然无法直接兼容。经过多次测试验证，PyTorch 1.8.0+cu111是一个理想的选择：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

这个版本组合确保了：

• 完全支持RTX 3090的Ampere架构
• 兼容BEVFusion所需的大部分功能
• 为后续安装MMCV和MMDetection提供了稳定的基础

注意：PyTorch 1.9+版本虽然理论上支持RTX 3090，但与BEVFusion要求的MMCV和MMDet版本存在兼容性问题，务必避免使用。

2. MMCV与MMDetection的版本适配

MMCV是BEVFusion依赖的核心计算机视觉库之一，其版本选择直接影响整个项目的稳定性。针对PyTorch 1.8.0和CUDA 11.1环境，我们有两种安装方法：

方法一：直接安装预编译版本

pip install mmcv-full==1.4.0 -f https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html

方法二：使用OpenMIM安装

pip install -U openmim
mim install mmcv-full==1.6.0

两种方法的主要区别在于：

特性	方法一	方法二
MMCV版本	1.4.0	1.6.0
安装方式	直接下载whl	通过mim管理
稳定性	已验证可用	可能需要额外调整
功能完整性	完整版	完整版

在实际测试中，方法一的成功率更高，特别是在网络环境不稳定的情况下。如果遇到安装失败，可以尝试更换国内镜像源：

pip install mmcv-full==1.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 解决常见依赖冲突问题

在安装MMDetection和MMDetection3D时，开发者经常会遇到各种依赖冲突。以下是几个典型问题及其解决方案：

3.1 Cython版本过高问题

当执行 pip install -v -e . 时，可能会遇到如下错误：

error: legacy-install-failure × Encountered error while trying to install package. ╰─> mmpycocotools

这是因为默认安装的Cython版本过高导致的，解决方法很简单：

pip install Cython==0.29.36

3.2 NetworkX版本冲突

另一个常见问题是NetworkX版本不兼容：

error: networkx 2.2 is installed but networkx>=2.8 is required by {'scikit-image'}

解决方法是指定安装兼容版本：

pip install scikit-image==0.19.3 networkx==2.8

3.3 NumPy与Pandas版本问题

当NumPy和Pandas版本不匹配时，会出现类似错误：

error: numpy 1.19.5 is installed but numpy>=1.20.3; python_version < "3.10" is required by {'pandas'}

推荐的版本组合是：

pip install numpy==1.21.6 pandas==1.4.4

4. 完整环境配置与验证

完成所有依赖安装后，我们需要编译BEVFusion环境并验证其正确性：

cd mmdetection-2.11.0
pip install -r requirements/build.txt
pip install -v -e .

cd ../mmdetection3d
pip install -v -e .

cd ..
python setup.py develop

环境验证时，特别要注意CUDA设备的识别情况。如果遇到 RuntimeError: radix_sort: failed on 1st step: cudaErrorInvalidDevice: invalid device ordinal 错误，通常是因为PyTorch版本与CUDA驱动不匹配。这时需要检查：

1. CUDA驱动版本： nvidia-smi
2. PyTorch CUDA支持： python -c "import torch; print(torch.version.cuda)"
3. 设备识别： python -c "import torch; print(torch.cuda.is_available())"

提示：如果环境配置正确但仍有问题，可以尝试降低PyTorch版本到1.9.0，同时调整Python版本到3.7，这有时能解决一些难以排查的兼容性问题。

5. 数据准备与训练技巧

BEVFusion项目通常使用nuScenes数据集进行训练。数据准备阶段有几个关键注意事项：

1. 数据集目录结构必须严格符合要求：

   data/nuscenes
   ├── samples
   ├── sweeps
   ├── maps
   └── v1.0-trainval
   

2. 使用官方工具创建数据：

   python tools/create_data.py nuscenes --root-path ./data/nuscenes --out-dir ./data/nuscenes --extra-tag nuscenes
   

3. 如果遇到 ImportError: libcudart.so.10.1 错误，说明MMCV版本安装不正确，需要重新安装支持CUDA 11.1的版本。

训练阶段，针对RTX 3090显卡，推荐以下配置优化：

• 单卡batch_size设置为2
• 使用混合精度训练减少显存占用
• 学习率根据实际batch_size调整

# 示例训练配置调整
optimizer = dict(type='AdamW', lr=2e-4, weight_decay=0.01)
runner = dict(type='EpochBasedRunner', max_epochs=36)
data = dict(samples_per_gpu=2, workers_per_gpu=4)
fp16 = dict(loss_scale=512.)

在实际项目中，我们发现使用4张RTX 3090训练BEVFusion模型，每个epoch大约需要4小时，完整训练周期约3天（36个epoch）。训练过程中要特别注意loss曲线的变化，如果发现loss下降异常，可能是batch_size设置过小导致的。