本章开始，我们将一起看CUDA-BEVFusion的代码流程，看看NVIDIA部署方案的思路方法。

加载命令行参数

将代码debug起来，launch.json中配置好了传入的参数。C++代码中会接收命令行参数。具体如下

argc 是一个整数 (int) 类型的变量，代表命令行参数的数量 (argument count)，即程序执行时通过命令行传递程序的参数的总量，包括程序名称本身。argc 的值至少为 1，因为第一个参数是程序的名称。

argv 是一个指向指针的指针 (char**)，代表命令行参数的值 (argument vector)。它是一个指针数组，每个元素指向一个以空字符结尾的字符串，表示一个命令行参数的值。

./build/bevfusion $DEBUG_DATA $DEBUG_MODEL $DEBUG_PRECISION

在 run.sh 文件中，运行程序的代码如上，三个变量是在 environment.sh 脚本中定义的，分别为 int8，example-data，OFF。编译好可执行文件后，可以使用下面命令行运行程序。

./build/bevfusion example-data resnet50int8 int8

在这里，argc 就是 4，通过 argv 可以查看命令行参数。

• 图示，argv 就是 launch.json 中 program 和 args 的参数
  

argv参数打印

main 函数中的 create_core

create_core是非常重要的方法，下方我们先分析他的参数设置部分。

• 输入：model（resnet50int8）, precision(int8)两个字符串。

• 返回值：std::shared_ptr<bevfusion::Core>

• 作用：创建 bevfusion::Core 对象，后续会调用这个对象的 update 与 forward 方法。src/bevfusion/bevfusion.cpp
  

  1. 配置CoreParameter结构体类型的param参数：给 NormalizationParameter、VoxelizationParameter、SCNParameter、GeometryParameter、TransBBoxParameter 等结构体，赋值。—图像多大、步长多长（这些都是 yaml 文件中定义的参数）
     • 配置相机归一化参数
     • 配置激光雷达体素化参数
     • 配置稀疏卷积网络（SCN）参数
     • 配置 bevpool 中的 geometry 参数
     • 配置 TransBBox 参数
  2. 把上述已经赋值的结构体，给 CoreParameter 结构体。相当于把所有参数汇总给 CoreParameter
  3. 把包含了所有参数的 CoreParameter，给方法 bevfusion::create_core(param) 去创建 engine，这里bevfusion::create_core()是核心

图像归一化参数

这里设置了图像预处理需要的参数，熟悉bevfusion的话，这些参数都是比较常见的基础的参数。原始图像大小1600900，模型输入图像大小704256，预处理图像缩放倍率0.48等

• 在代码中，嵌套命名空间是很常见的，这允许在一个命名空间中定义其他命名空间，提供了一种组织代码的方式，可以避免名字冲突，并且使代码更易于理解和维护。可以通过双冒号 :: 运算符来访问嵌套命名空间内的实体代码。

• 这里通过 bevfusion::camera::NormalizationParameter 来构建结构体对象，然后对对象中的成员变量进行赋值。这部分用于定义相机图片进行预处理时使用的方法和参数。

  • NormType、ChannelType、Interpolation 35、36、37 行，枚举类型可选项

体素化参数

• 这里是点云常见的参数，点云的范围前后左右-54～+54米，上下-5～+3米，点云体素化的步长0.075以及0.2。
• 硬体素化的参数。
  

稀疏卷积网络参数

将 voxelization 赋值为上面定义的 bevfusion::lidar::VoxelizationParameter 对象。

模型路径设置为 model/resnet50int8/lidar.backbone.xyz.onnx。

模型输出的索引顺序为 XYZ。

真实世界几何空间参数 (雷达坐标系下体素网格的参数)

解码后边界框的参数

• 对应 yaml
  

构建 bevfusion::Core 存储推理时需要的参数

最终，上面所有参数结构体，复制给param，统一管理后面需要的参数。