待补充
Charmve/OccNet-Course
3/5
🧩 软硬件结合
已发布
项目简介
国内首个占据栅格网络全栈课程《从BEV到Occupancy Network，算法原理与工程实践》，包含端侧部署。Surrounding Semantic Occupancy Perception Course for Autonomous
国内首个占据栅格网络全栈课程《从BEV到Occupancy Network，算法原理与工程实践》，包含端侧部署。Surrounding Semantic Occupancy Perception Co
标签
项目特点
国内首个从BEV到Occupancy Network的全栈课程，内容系统完整
覆盖算法原理、模型训练、推理优化到端侧部署全流程
提供丰富的代码示例和实战项目，可直接运行和复现
包含Surrounding Semantic Occupancy Perception相关前沿内容
配套课程笔记、思维导图和参考资料，降低学习门槛
社区活跃，持续更新，支持开源共建
技术规格
| 从BEV到Occupancy Network，算法原理与工程实践 | |
| BEV感知、Occupancy Network、3D语义占据预测 | |
| Python（主要）、C++（部署部分） | |
| PyTorch | |
| 端侧（如NVIDIA Jetson、手机等） | |
| nuScenes、SemanticKITTI等 | |
| 代码仓库 + 文档 + 笔记 | |
| 多个完整训练/推理脚本 | |
| GPU（训练）、ARM/x86（部署） |
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| GPU（如NVIDIA RTX 3090） | 1 | — | 训练推荐 |
| 端侧设备（如Jetson Orin） | 1 | — | 部署可选 |
| Ubuntu 20.04 / 22.04 | 1 | — | 开发环境 |
| Python 3.8+ | 1 | — | 运行环境 |
| PyTorch 1.10+ | 1 | — | 深度学习框架 |
| CUDA 11.3+ | 1 | — | GPU加速 |
| nuScenes完整数据集 | 1 | — | 训练/评估 |
| SemanticKITTI数据集 | 1 | — | 可选 |
能力画像
**记忆与知识检索**：4/5 — 课程笔记和参考资料丰富，便于快速查阅BEV与Occupancy Network核心概念
**动手与操作**：4/5 — 提供可直接运行的代码和数据集配置脚本，动手实践门槛较低
**编程与算法**：5/5 — 涵盖从数据预处理、模型搭建到训练推理的完整算法实现
**设计与建模**：3/5 — 侧重已有模型的理解与应用，较少涉及从零设计新网络
**实验与调试**：4/5 — 包含训练日志、可视化工具和常见问题排查指南
**协作与分享**：3/5 — 开源社区支持Issue和PR，但协作流程文档较少
**学习与研究**：5/5 — 系统梳理了从BEV到Occupancy的技术演进，适合入门到进阶
**系统集成**：4/5 — 包含端侧部署流程，覆盖从算法到工程落地的完整链路
项目图库
视频
所需技能
Python编程基础
深度学习基础（熟悉PyTorch）
计算机视觉与3D感知基本概念
自动驾驶感知领域基础知识（BEV、点云等）
Linux命令行操作
Git版本控制基础
（可选）C++基础（用于端侧部署优化）
适用场景
自动驾驶感知方向的研究生和博士生入门与进阶学习
企业工程师从BEV感知转向Occupancy Network的技术转型
高校开设自动驾驶课程时的配套实践教材
对3D语义场景理解感兴趣的算法爱好者自学
需要将Occupancy Network部署到嵌入式设备上的工程团队
参加自动驾驶相关竞赛（如nuScenes、Waymo挑战赛）的选手参考