OpenPCDet
OpenPCDet
⭐⭐⭐☆☆ (3/5)
🧩 软硬件结合
已发布
项目简介
OpenPCDet Toolbox for LiDAR-based 3D Object Detection.
OpenPCDet 是一个清晰、简洁且高度自包含的开源项目，专注于基于激光雷达（LiDAR）的三维目标检测。作为业界公认的标杆性框架，它不仅是多项顶级学术论文（如 PointRCNN、Part-A2-Net、PV-RCNN、Voxel R-CNN、PV-RCNN++ 及 MPPNet）的官方代码实现，更是一个功能完备的算法研究与工程落地平台。
标签
项目特点
支持多种最先进的 LiDAR 3D 目标检测模型，包括 PointPillar、SECOND、PointRCNN、Part-A2、PV-RCNN、Voxel R-CNN、CenterPoint、VoxelNeXt、DSVT 等
统一的数据-模型分离设计，便于扩展到自定义数据集
支持单阶段和两阶段 3D 检测框架
支持多 GPU 分布式训练与测试
支持多模态（LiDAR + 相机）3D 检测（如 BEVFusion、TransFusion）
提供丰富的预训练模型下载，覆盖 KITTI、NuScenes、Waymo 等数据集
支持 TensorRT 加速推理（如 DSVT 可达 27Hz）
支持 Docker 部署
技术规格
| 框架 | |
|---|---|
| 点云坐标 | |
| 3D 框定义 | |
| 支持的模型 | |
| 支持的数据集 | |
| 支持的 spconv 版本 | |
| 分布式训练 | |
| 可视化 | |
| 最新版本 |
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 GTX 1080Ti / TITAN XP) | 8 | — | 用于训练，单 GPU 也可用于推理 |
| 内存 | 32GB+ | — | 推荐 |
| 存储 | 500GB+ | — | 用于存储数据集和模型 |
| Ubuntu 18.04/20.04 | 1 | — | 推荐操作系统 |
| PyTorch 1.1~1.10 | 1 | — | 深度学习框架 |
| spconv 1.0~2.x | 1 | — | 稀疏卷积库 |
| CUDA | 10.0+ | — | GPU 加速 |
| Open3D | 1 | — | 可视化（可选） |
| Docker | 1 | — | 容器化部署（可选） |
所需工具
| 工具 | 用途 | 是否必需 |
|---|---|---|
| GPU (NVIDIA) | 训练和推理深度学习模型 | ✅ 是 |
| PyTorch | 深度学习框架 | ✅ 是 |
| spconv | 稀疏卷积加速 | ✅ 是 |
| CUDA | GPU 计算加速 | ✅ 是 |
| Open3D | 点云可视化 | ▢ 推荐 |
| Docker | 容器化部署 | ▢ 推荐 |
| TensorRT | 推理加速（可选） | ▢ 推荐 |
能力画像
记忆与知识检索
1/5
逻辑推演
4/5
表达与交流
1/5
感知与观察
1/5
数理与计算
5/5
动手与操作
3/5
狂热与坚持
3/5
创造与创新
4/5
项目图库
所需技能
🔧 **动手能力**：需要配置深度学习环境（CUDA、PyTorch、spconv），处理数据集（下载、预处理、生成数据库），运行训练和测试脚本。
💻 **编程能力**：需要 Python 编程基础，熟悉 PyTorch 框架，能够阅读和修改配置文件（YAML），理解深度学习模型训练流程。
⚡ **电子电路**：不涉及硬件电路，但需要理解 LiDAR 点云数据的基本概念和 3D 目标检测原理。
适用场景
自动驾驶领域的 3D 目标检测研究与开发
机器人导航中的障碍物检测
智慧城市中的交通监控与分析
学术研究：对比不同 3D 检测算法的性能
工业应用：基于 LiDAR 的物体识别与定位系统