Skip to content

Pointcept:Arm64

ARM64 에서 (정확히는 NVIDIA DGX Spark) 에서 Pointcept 를 빌드하고 사용하는 과정에서 발생하는 이슈들에 대하여 정리함.

빌드 방법

DGX Spark (GB10 = sm_121, aarch64) 에서 네이티브로 돌리는 경우입니다. 이 경우 QEMU가 전혀 필요 없고(arch == host_arch면 바로 통과), 그냥 도커만 있으면 됩니다.

시스템 사양

  • NVIDIA DGX Spark (GB10 = sm_121, aarch64)
  • NVIDIA-SMI 580.173.02
  • NVIDIA Driver Version: 580.173.02
  • CUDA Version: 13.0
  • Ubuntu 24.04.4 LTS (noble)
  • Python 3.12
  • Torch 2.9.1 (cu130 인덱스의 최소 버전이 2.9.0)

원시코드

한방에 실행하는 간단한 방법

arm64+cu130+torch2.9.1+py3.12+sm_121 

./scripts/build_wheels.sh build --arch arm64 --accel cu130 --torch 2.9.1 --python 3.12 --cuda-arch 12.1 --jobs 8 -v
./scripts/verify_wheels.sh wheelhouse/linux-arm64/cu130/torch2.9.1-cp312/

arm64+cu130+torch2.13.0+py3.12+sm_121 

./scripts/build_wheels.sh build --arch arm64 --accel cu130 --torch 2.13.0 --python 3.12 --cuda-arch 12.1 --jobs 8 -v
./scripts/verify_wheels.sh wheelhouse/linux-arm64/cu130/torch2.13.0-cp312/

타깃 확정

DGX Spark의 sm_121은 CUDA 12.9 이상에서만 코드 생성이 됩니다. 스크립트의 cuda_supported_arches상 cu128은 12.0까지라 12.1이 검증 단계에서 탈락합니다. 따라서:

축

값

이유

--arch

arm64

호스트 아키텍처 (에뮬레이션 없음)

--accel

cu130

sm_121 커버 + PyTorch 인덱스 존재 (cu129도 가능)

--torch

2.9.1

cu130 인덱스의 최소 버전이 2.9.0

--python

3.12

기본값

--cuda-arch

12.1

GB10 전용. 생략하면 8.7 9.0 10.0 11.0 12.0 12.1 6개를 전부 컴파일

공통 변수로 묶어두면 편합니다: 

cd /path/to/Pointcept
BW=./scripts/build_wheels.sh
T="--arch arm64 --accel cu130 --torch 2.9.1 --python 3.12 --cuda-arch 12.1 --jobs 8 -v"
  • --jobs는 기본값이 nproc(최대 16)인데, DGX Spark는 128GB 통합 메모리를 GPU와 공유합니다. nvcc가 잡당 ~2.5GB를 쓰므로 8~10으로 낮춰 잡는 걸 권합니다.
  • -v는 컴파일러 출력을 스트리밍합니다. 몇 시간짜리 빌드를 눈으로 확인하려면 필수입니다.

시작 전 확인 (아무것도 빌드하지 않음): 

## 조합·패키지 목록 출력:
$BW matrix $T

## 실제 실행될 docker 커맨드 출력:
$BW build $T --dry-run

단계별 빌드

핵심은 --only {패키지} 입니다. 출력 디렉터리와 pip/uv 캐시 볼륨(pointcept-build-cache)이 실행 간에 공유되므로, 나눠 돌려도 결과가 한 곳에 누적됩니다. 

wheelhouse/linux-arm64/cu130/torch2.9.1-cp312/

manifest.txt에 각 휠을 프리빌트로 받았는지 컴파일했는지가 append로 기록됩니다.

#

명령

내용

체감 비용

프로젝트 링크

프로젝트 설명

1

$BW build $T --only pccm

순수 파이썬, PyPI 프리빌트

초 단위

PCCM

NVIDIA의 Pure C++ Meta: C++ 코드를 파이썬으로 생성하는 메타프로그래밍 도구

2

$BW build $T --only cumm

aarch64 프리빌트 없음 → 소스

무거움

CUMM

Concurrent Unified Memory Management: CUDA/CPU 메모리 관리 및 커널 최적화 라이브러리

3

$BW build $T --only spconv

소스

무거움

spconv

Sparse Convolution: 포인트 클라우드 처리용 희소 3D 합성곱 구현

4

$BW build $T --only torch-scatter

aarch64 프리빌트 없음 → 소스

중간

pytorch_scatter

PyTorch Scatter: 텐서 scatter/gather 연산의 GPU 최적화 구현

5

$BW build $T --only torch-sparse

소스 (이 셋 중 최장)

무거움

pytorch_sparse

PyTorch Sparse: 희소 텐서 연산 및 행렬곱을 위한 GPU 최적화 레이어

6

$BW build $T --only torch-cluster

소스

중간

pytorch_cluster

PyTorch Cluster: 점군 클러스터링, k-NN 그래프 생성 등 그래프 기반 연산 라이브러리

7

$BW build $T --only torch-geometric,ocnn

둘 다 순수 파이썬

초 단위

PyG, OCNN

PyTorch Geometric: GNN 프레임워크 / OCNN: 옥트리 기반 3D CNN

8

$BW build $T --only swin3d

소스 (CUDA)

중간

Swin3D

Swin3D Vision Transformer: 3D 포인트 클라우드 및 영상 처리용 transformer 백본

9

$BW build $T --only flash-attn

⚠️ 아래 참고

최장

FlashAttention

FlashAttention: 어텐션 연산의 IO-aware 알고리즘으로 메모리 대역폭 최적화

10

$BW build $T --only pointops,pointops2

libs/ 로 확장

각 수 분

PointOps

PointOps: 포인트 클라우드 연산 커널 (Pointcept 및 Point Transformer용)

11

$BW build $T --only pointgroup_ops,pointseg,pointrope

libs/ 로 확장

각 수 분

Pointcept

Pointcept: 포인트 클라우드 세분화(segmentation), 인스턴스 그룹핑, 위치 인코딩 커스텀 연산

  • 의존성은 자동으로 끌어옵니다. --only spconv만 줘도 pccm → cumm → spconv 순으로 셋 다 빌드하니, 2~3단계를 합치고 싶으면 3번만 실행해도 됩니다.

각 단계는 독립된 컨테이너로 실행되며 매번 "apt 툴체인 설치 + uv venv + torch 설치" 를 처음부터 다시 합니다(약 2~3분 고정 오버헤드). 캐시 볼륨 덕에 두 번째 실행부터는 다운로드가 아니라 캐시 복사입니다.

INFORMATION

참고로 한번에 전부 실행 시킬 예정이라면 --only ... 플래그를 빼고 실행하면 된다. 즉, $BW build $T 으로 실행

sm_121 에서 알아둘 두 가지

cumm/spconv

cumm은 자체 supported_arches 테이블(cumm/common.py)을 가지고 있고 거기에 12.1이 없습니다. 스크립트가 이를 12.0+PTX로 자동 매핑하므로(cumm_arch_for), cubin 대신 PTX가 실려 첫 로드 시 드라이버가 JIT합니다.

빌드 중 이런 로그가 나오면 정상입니다: 

-> cumm arch set: 12.0+PTX (from 12.1)

flash-attn

flash_attn_arch_for가 아는 값은 80/90/100/120뿐이고 12.1은 매핑이 없어 패키지 자체가 스킵됩니다: 

!! flash-attn skipped: no target in '12.1' has flash-attn 2.x kernels

Blackwell은 sm_120 cubin이 sm_121 디바이스에 로드되지 않으므로, 이건 스크립트 버그라기보다 실제 제약입니다. 이 단계는 건너뛰고 진행하시고, flash-attn이 꼭 필요하면 별도로 확인이 필요합니다.

원하시면 12.0+PTX로 넘겨 PTX 경로가 실제로 되는지 스크립트를 손봐드릴 수 있습니다.

완료 후 

cat wheelhouse/linux-arm64/cu130/torch2.9.1-cp312/manifest.txt
pip install wheelhouse/linux-arm64/cu130/torch2.9.1-cp312/*.whl

참고로 알아두면 좋은 것

  • 빌드는 GPU를 전혀 쓰지 않습니다 (--gpus 플래그 없음, nvcc 크로스 컴파일). 시작 시 뜨는 드라이버/GPU 체크는 "이 휠이 이 머신에서 로드되는가"를 알려줄 뿐 빌드를 막지 않습니다.
  • 레포는 /src에 읽기 전용으로 마운트되고 libs/는 컨테이너 안에서 /tmp로 복사된 뒤 빌드되므로, 작업 트리에 build/나 *.egg-info가 생기지 않습니다.
  • 실패해도 set +e로 감싸여 있어 해당 패키지 로그 마지막 40줄이 출력됩니다. 전체 로그는 컨테이너 내부 /tmp/<패키지>.log인데 컨테이너가 --rm이라 사라지므로, 자세히 봐야 하면 $BW shell $T로 같은 환경에 들어가서 수동으로 돌리세요.
  • 한 번에 다 돌려보고 싶어지면 $BW build $T --keep-going — 실패한 패키지를 건너뛰고 끝까지 갑니다.

See also

Favorite site