### 问题分析 用户在运行 BEVDet 训练脚本时遇到了 `AttributeError: module 'distutils' has no attribute 'version'` 错误。此错误通常源于 Python 环境中对已废弃的 `distutils.version` 属性的调用，而这种行为可能由以下因素引起： 1. **Python 版本过高**：从 Python 3.10 开始，官方逐步移除了对 `distutils` 的支持，并建议迁移至更现代化的工具链（如 `setuptools`）[^3]。 2. **第三方库依赖陈旧**：某些框架或工具（例如 TensorBoard、PyTorch 等）仍可能在其内部实现中使用了已被弃用的功能。 3. **缓存文件损坏**：如果之前存在下载失败的情况，则可能导致部分依赖项未能成功安装，进而引发异常。 以下是针对该问题的具体解决方案以及关于清理下载失败文件的相关说明。 --- ### 解决方案 #### 方法一：升级 `setuptools` 和 `wheel` 为了确保兼容性，应将 `setuptools` 和 `wheel` 更新至最新版本。这些工具能够提供与传统 `distutils` 类似的功能接口，从而减少因模块移除而导致的问题。 执行以下命令完成更新操作： ```bash pip install --upgrade setuptools wheel ``` #### 方法二：临时恢复 `distutils.version` 功能 若升级无法解决问题，可通过动态注入方式模拟恢复 `distutils.version` 模块的行为。为此，可编写一段简单的补丁代码保存为独立文件（如 `fix_distutils.py`），内容如下所示： ```python import sys if not hasattr(sys.modules.get("distutils", None), "version"): class VersionStub: StrictVersion = lambda _: _ LooseVersion = lambda _: _ sys.modules["distutils"].version = VersionStub() ``` 之后，在启动训练脚本前先加载上述补丁逻辑即可： ```bash python -c "import fix_distutils; import distutils" && python tools/train.py ./configs/bevdet/bevdet-r50.py ``` #### 方法三：降级 Python 至较低版本 考虑到部分项目严格依赖较老版本的 `distutils` 实现细节，切换回更为稳定的 Python 发布版（比如 Python 3.8 或 3.9）不失为一种可行策略。借助虚拟环境技术可以轻松达成目标而不干扰主机系统的默认配置。 具体步骤包括但不限于以下几个方面： 1. 安装适配的目标 Python 版本； 2. 构建专属虚拟工作区： ```bash python3.9 -m venv bevdet-env source bevdet-env/bin/activate ``` 3. 在新建环境下重新部署必要的组件集合。 #### 方法四：审查并修正特定依赖冲突 依据先前引用信息[^1]^, 存疑之处或许涉及到了 TensorBoard 这类外部插件。对此，尝试单独处理相关联部件往往有助于快速定位根本诱因。譬如说，先行卸载再重新获取最新稳定发行版可能会有所帮助： ```bash pip uninstall tensorboard pip install tensorboard ``` 另外，启用调试选项亦可用于捕捉更多上下文线索以便进一步诊断实际状况。举例而言，可以在入口处加入额外日志记录语句来捕获潜在异常源头： ```python try: from tensorboard.compat import notf except ImportError as e: print(f"Import error occurred: {e}") ``` --- ### 关于清除下载失败文件 当遭遇网络中断或其他不可控情形致使资源拉取过程受阻时，残留的部分不完整数据确实有可能成为后续正常流程开展的一大障碍。因此，定期整理那些疑似受损或者确认无用的对象显得尤为重要。 一般情况下，可以通过删除对应目录下的全部子元素达到彻底清空的效果；当然也可以仅挑选标记有明显特征（例如 `.incomplete`, `.tmp` 后缀名）的条目予以剔除。下面给出两种常见场景的操作示范： ##### 场景 A – 整体清扫指定路径下所有内容物 假设存放预构建模型权重的位置位于 `$HOME/.cache/torch/hub/checkpoints/` 下面，则适用下列指令一次性抹去其中的一切成分： ```bash rm -rf $HOME/.cache/torch/hub/checkpoints/* ``` ##### 场景 B – 针对性去除带有特殊标签的个体实例 倘若只需排除那些尚未最终形成的过渡产物的话，那么采用通配符匹配机制会更加精准高效些： ```bash find /path/to/downloaded/files -type f \( -name "*.incomplete" -o -name "*.tmp" \) -delete ``` 务必注意替换 `/path/to/downloaded/files` 成真实存在的绝对地址表达形式！ --- ### 综合建议 综上所述，面对此类棘手难题应当优先考量简便易行的技术手段诸如提升核心构件等级或是实施局部修补术等途径加以应对处置。唯有当常规办法皆告失效之际方才审慎评估是否有必要退回到低阶生态系统当中寻求庇护之所。与此同时，养成良好习惯及时妥善管理各类中间态素材同样不可或缺。 --- ###