厉害了！有了它，发顶会顶刊拿赛事大奖轻松多了！

还在愁大赛成果不满意吗？

还在烦与顶会顶刊擦肩而过吗？

如果你也是 3D 目标检测领域的研究者

赶紧让 MMDetection3D 助你过关斩将吧！

https://github.com/open-mmlab/mmdetection3d​github.com/open-mmlab/mmdetection3d

在近日召开的计算机视觉顶级会议 CVPR 2022 上，Best Student Paper EPro-PnP 和 Waymo 开放数据集挑战赛前两名均使用了 OpenMMLab 系列算法库中的 MMDetection3D。MMDetection3D 为以上项目提供了纯视觉 3D 检测相关数据集和模型的基础框架、便捷接口和扎实的 baseline，为研究人员的模型开发提供了良好的基础。

MMDetection3D 不仅在此次 CVPR 的以上工作中为使用者添光加彩，还在其他多个国际计算机视觉赛事、顶会、顶刊上大放异彩。

• 目前为大家所广泛使用的单目 3D 检测 baseline 工作 FCOS3D 是基于 MMDetection3D 实现的，并在 ICCV 2021 3D Object Detection from Images Workshop 中被评为 Best Paper。
• 最近 BEV-based perception 潮流下，从 DETR3D 、ImVoxelNet 到 BEVDet, PETR, M2BEV 和 BEVFormer，都是基于 MMDetection3D 实现的；同时由于 MMDetection3D 对于多模态的自然支持和兼容，相关的多模态融合工作 Transfusion， BEVFusion (from MIT/Alibaba)，UVTR 也大多在 MMDetection3D 上实现。
• 除此之外，在 LiDAR-based 3D detection 方面也不断涌现出很多优秀的基于 MMDetection3D 的工作，如 MIT 的 Object DGCNN，图森的 SST、LiDAR R-CNN，三星研究院的 FCAF3D，清华大学的 PointFormer 以及近期经典 2D 检测方法 FCOS 一作对于 range image 的最新研究 FCOS-LiDAR。
• 在 3D 检测的各大 benchmark 上，包括 KITTI，nuScenes 和 Waymo，基于不同模态的排名前列的方法中，不乏使用 MMDetection3D 进行实验的研究人员。在 NeurIPS 2020 上的第三届 nuScenes 检测竞赛中，MMDetection3D 团队的多模态 3D 检测方案获得了最佳 PKL 奖，纯视觉 3D 检测方案获得了第一名。

---

开发者说

MMDetection3D 从创建之初就秉承着推动 3D 检测领域，乃至通用 3D 感知领域发展的理念，追求不同模态、不同场景、不同任务的统一化、标准化和开放性，很高兴能够看到近期有越来越多的工作开始在 MMDetection3D 上研究和实现并从中受益。在未来，我们也将继续向着这一目标努力，在为社区带来友好、便捷的使用体验的同时，努力为社区提供最前沿的思考和分享。在之后的文章中我们会对近期的一些实验性发现以及有意思的研究工作进行分享，也希望借此机会能够进一步回顾最近一段时期这个领域的进展，请大家敬请期待~

最后，十分欢迎大家同我们分享在使用算法库时的一些感受和建议，共同交流，一起做出更有意义的工作。

想了解 MMDetection3D 更多吗？那一定不能错过 Wang Tai 大佬主讲的 社区开放麦第 8 期—— 迈向真实世界的感知：3D 目标检测。

【社区开放麦】第 8 期 迈向真实世界的感知：3D 目标检测829 播放 · 1 赞同视频正在上传…重新上传取消​

想成为下一个大赛获奖者吗？

心动不如行动，快去体验 MMDetection3D 吧

https://github.com/open-mmlab/mmdetection3d​github.com/open-mmlab/mmdetection3d

OpenMMLab 系列宝藏等待你的发现！

https://github.com/open-mmlab​github.com/open-mmlab

欢迎大家踊跃提交 PR，成为 OpenMMLab 核心贡献者，与大佬共事！

预告一波：之后会有核心开发者对于近期基于 MMDetection3D 所做的实验性探索进行分享，更会有对于前沿研究性工作的介绍和思考，快关注我们期待一波吧！

---

走进 MMDetection3D

MMDetection3D 是一个基于 PyTorch 的开源对象检测工具箱，下一代面向通用 3D 检测的平台。 我们从创建之初就秉承着推动 3D 检测领域，乃至通用 3D 感知领域发展的理念，追求不同模态、不同场景、不同任务的统一化、标准化和开放性，很高兴能够看到近期有越来越多的工作开始在 MMDetection3D 上研究和实现并从中受益。在未来，我们也将继续向着这一目标努力，在为社区带来友好、便捷的使用体验的同时，努力为社区提供最前沿的思考和分享。

MMDetection3D 具有以下特点：

• 支持开箱即用的多模态/单模态探测器

支持多模态/单模态检测器，包括 MVXNet、VoteNet、PointPillars、FCOS3D 等。

• 支持开箱即用的室内/室外 3D 检测

支持流行的室内外 3D 检测数据集，包括 ScanNet、SUNRGB-D、Waymo、nuScenes、Lyft 和 KITTI。在 nuScenes 数据集中，我们还支持了 nuImages 数据集。

• 与 2D 检测自然集成

MMDetection 支持的大约 400 多个模型、60 多篇论文的方法和模块都可以在 MMDetection3D 进行训练或使用。

• 超高效率

训练速度相比其他代码库更快，效率更高，下表可见主要的对比结果。

注：在表中我们对比了采用不同 codebase 时每秒训练的样本数（值越高越好）。其他代码库不支持的模型被标记为  ×。

MMDetection3D 模块组件如下表所示：

MMDetection3D 算法模型如下表所示：

传送门

OpenMMLab：带你玩转 3D 检测和分割（一）：MMDetection3D 整体框架介绍77 赞同 · 7 评论文章正在上传…重新上传取消

OpenMMLab：带你玩转 3D 检测和分割 （二）：核心组件分析之坐标系和 Box76 赞同 · 12 评论文章正在上传…重新上传取消

OpenMMLab：带你玩转 3D 检测和分割 （三）：有趣的可视化36 赞同 · 26 评论文章正在上传…重新上传取消