Det3D
Det3D
⭐⭐⭐☆☆ (3/5)
🧩 软硬件结合
已发布
项目简介
World's first general purpose 3D object detection codebse.
Det3D 是一个基于 PyTorch 的通用 3D 目标检测工具箱，旨在为自动驾驶和机器人领域的 3D 感知任务提供一站式解决方案。作为首个集成多种主流算法的开源框架，它解决了研究人员和工程师在复现先进模型时面临的代码碎片化、基准不统一等痛点，让用户能够快速在 KITTI、nuScenes、Lyft 等主流数据集上验证和部署算法。
标签
项目特点
**多数据集支持**：原生支持 KITTI、nuScenes、Lyft 等主流自动驾驶数据集，方便跨数据集实验。
**丰富的模型库**：提供 PointPillars、SECOND、VoxelNet、CBGS 等多种基于点云和体素的检测模型。
**领先性能**：在 nuScenes 上 CBGS 达到 61.3 NDS，在 KITTI 上 SECOND 和 PointPillars 均取得高精度。
**分布式训练与 SyncBN**：支持分布式训练和同步批归一化，加速大规模训练。
**灵活配置**：支持多任务学习、可调锚点尺寸、多尺度训练、旋转 RoI Align 等高级功能。
**自包含可视化**：内置可视化工具，无需额外依赖即可查看检测结果。
技术规格
| 框架 | |
|---|---|
| 支持数据集 | |
| 模型类型 | |
| 训练方式 | |
| 额外功能 | |
| 许可证 |
项目资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| Python 3.6+ | 1 | — | 运行环境 |
| PyTorch 1.0+ | 1 | — | 深度学习框架 |
| CUDA 10.0+ | 1 | — | GPU 加速 |
| GPU（推荐 NVIDIA V100/RTX 2080Ti） | 1 | — | 训练与推理 |
| 内存 32GB+ | 1 | — | 处理大规模点云数据 |
| KITTI/nuScenes/Lyft 数据集 | 1 | — | 需自行下载 |
所需工具
| 工具 | 用途 | 是否必需 |
|---|---|---|
| GPU（NVIDIA） | 训练和推理 3D 检测模型 | ✅ 是 |
| Python 环境 | 运行代码和依赖库 | ✅ 是 |
| 数据集下载工具 | 获取 KITTI/nuScenes/Lyft 数据 | ✅ 是 |
| TensorboardX | 可视化训练日志和指标 | ▢ 推荐 |
能力画像
记忆与知识检索
1/5
逻辑推演
3/5
表达与交流
1/5
感知与观察
1/5
数理与计算
4/5
动手与操作
3/5
狂热与坚持
4/5
创造与创新
3/5
所需技能
🔧 **动手能力**：需要配置深度学习环境、安装 CUDA 和 PyTorch，管理数据集文件结构。
💻 **编程能力**：熟练使用 Python，理解 PyTorch 训练流程，能够阅读和修改配置文件（Python 脚本）。
⚡ **电子电路**：不涉及硬件电路。
适用场景
**自动驾驶感知**：在 KITTI、nuScenes 等数据集上训练和评估 3D 目标检测模型，用于车辆、行人、骑行者等目标的检测。
**机器人导航**：利用点云数据进行环境感知，辅助机器人避障和路径规划。
**学术研究**：作为基准代码库，对比不同 3D 检测算法（如 PointPillars vs SECOND）的性能，或在此基础上进行算法改进。
**工业部署**：通过微调（Finetune）适配特定场景的 3D 检测需求，如矿区、仓库等。