[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-V2AI--Det3D":3,"tool-V2AI--Det3D":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":113,"env_deps":115,"category_tags":124,"github_topics":125,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":134,"updated_at":135,"faqs":136,"releases":165},2477,"V2AI\u002FDet3D","Det3D","World's first general purpose 3D object detection codebse.","Det3D 是一个基于 PyTorch 构建的通用 3D 物体检测代码库，旨在为自动驾驶和计算机视觉领域提供高效、统一的开发基础。作为早期专注于此领域的开源项目之一，它解决了不同 3D 检测算法实现分散、复现困难以及多数据集适配复杂的问题，让开发者能够更轻松地验证想法并进行模型训练。\n\nDet3D 特别适合 AI 研究人员、算法工程师以及对 3D 感知技术感兴趣的开发者使用。无论是学术界的科研人员需要复现前沿论文结果，还是工业界的工程师希望快速搭建高性能的检测系统，Det3D 都能提供有力的支持。普通用户若对底层代码无兴趣，可能较难直接上手，但其提供的预训练模型和可视化功能有助于直观理解 3D 检测效果。\n\n在技术亮点方面，Det3D 展现了强大的兼容性与先进性。它不仅原生支持 KITTI、nuScenes 和 Lyft 等主流自动驾驶数据集，还集成了 PointPillars、SECOND、VoxelNet 等多种经典及最先进的检测算法。框架内置了分布式训练（DDP）、同步批归一化（SyncBN）、多任务学习以及断点续训等企业级功能，显著提升了训练效率与稳定性。此外，其灵活的锚框维度","Det3D 是一个基于 PyTorch 构建的通用 3D 物体检测代码库，旨在为自动驾驶和计算机视觉领域提供高效、统一的开发基础。作为早期专注于此领域的开源项目之一，它解决了不同 3D 检测算法实现分散、复现困难以及多数据集适配复杂的问题，让开发者能够更轻松地验证想法并进行模型训练。\n\nDet3D 特别适合 AI 研究人员、算法工程师以及对 3D 感知技术感兴趣的开发者使用。无论是学术界的科研人员需要复现前沿论文结果，还是工业界的工程师希望快速搭建高性能的检测系统，Det3D 都能提供有力的支持。普通用户若对底层代码无兴趣，可能较难直接上手，但其提供的预训练模型和可视化功能有助于直观理解 3D 检测效果。\n\n在技术亮点方面，Det3D 展现了强大的兼容性与先进性。它不仅原生支持 KITTI、nuScenes 和 Lyft 等主流自动驾驶数据集，还集成了 PointPillars、SECOND、VoxelNet 等多种经典及最先进的检测算法。框架内置了分布式训练（DDP）、同步批归一化（SyncBN）、多任务学习以及断点续训等企业级功能，显著提升了训练效率与稳定性。此外，其灵活的锚框维度设计和自带的可视化工具，进一步降低了调试门槛。通过在多个权威基准测试中取得领先的性能表现，Det3D 证明了其在处理点云数据时的卓越能力，是进入 3D 物体检测领域的优质起点。","# Det3D\n\nA general 3D Object Detection codebase in PyTorch.\n\n## 1. Introduction\n\nDet3D is the first 3D Object Detection toolbox which provides off the box implementations of many 3D object detection algorithms such as PointPillars, SECOND, PIXOR, etc, as well as state-of-the-art methods on major benchmarks like KITTI(ViP) and nuScenes(CBGS). Key features of Det3D include the following aspects:\n\n* Multi Datasets Support: KITTI, nuScenes, Lyft\n* Point-based and Voxel-based model zoo\n* State-of-the-art performance\n* DDP & SyncBN\n\n\n## 2. Installation\n\nPlease refer to [INSTALATION.md](INSTALLATION.md).\n\n## 3. Quick Start\n\nPlease refer to [GETTING_STARTED.md](GETTING_STARTED.md).\n\n## 4. Model Zoo\n\n### 4.1 nuScenes\n\n|             | mAP  | mATE | mASE | mAOE | mAVE | mAAE | NDS | ckpt |\n| ----------- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |\n| [CBGS](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Fblob\u002Fmaster\u002Fexamples\u002Fcbgs\u002Fconfigs\u002Fnusc_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py) | 49.9 | 0.335 | 0.256 | 0.323 | 0.251 | 0.197 | 61.3 | [link](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1rhamAqegE9iOp18tzQVam4rOMhHjjnRM?usp=sharing) |\n| [PointPillar](examples\u002Fpoint_pillars\u002Fconfigs\u002Fnusc_all_point_pillars_mghead_syncbn.py) | 41.8 | 0.363 | 0.264 | 0.377 | 0.288 | 0.198 | 56.0 | [link](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1U0bkEQAhcxhDUD42nTCGC0uU0qaTO_Uv?usp=sharing) |\n\nThe original model and prediction files are available in the [CBGS README](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Ftree\u002Fmaster\u002Fexamples\u002Fcbgs).\n\n### 4.2 KITTI\n\n### [Second](examples\u002Fsecond\u002Fconfigs\u002Fkitti_car_vfev3_spmiddlefhd_rpn1_mghead_syncbn.py) on KITTI(val) Dataset\n\n```\ncar  AP @0.70, 0.70,  0.70:\nbbox AP:90.54, 89.35, 88.43\nbev  AP:89.89, 87.75, 86.81\n3d   AP:87.96, 78.28, 76.99\naos  AP:90.34, 88.81, 87.66\n```\n\n### [PointPillars](examples\u002Fpoint_pillars\u002Fconfigs\u002Fkitti_point_pillars_mghead_syncbn.py) on KITTI(val) Dataset\n\n```\t\ncar  AP@0.70,  0.70,  0.70:\nbbox AP:90.63, 88.86, 87.35\nbev  AP:89.75, 86.15, 83.00\n3d   AP:85.75, 75.68, 68.93\naos  AP:90.48, 88.36, 86.58\n```\n\n\n### 4.3 Lyft\n\n* [Lyft Config](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Fblob\u002Fmaster\u002Fexamples\u002Fcbgs\u002Fconfigs\u002Flyft_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py)\n\n### 4.4 Waymo\n\n\n\n## 5. Functionality\n\n* Models\n  - [x] VoxelNet\n  - [x] SECOND\n  - [x] PointPillars\n* Features\n    - [x] Multi task learning & Multi-task Learning\n    - [x] Distributed Training and Validation\n    - [x] SyncBN\n    - [x] Flexible anchor dimensions\n    - [x] TensorboardX\n    - [x] Checkpointer & Breakpoint continue\n    - [x] Self-contained visualization\n    - [x] Finetune\n    - [x] Multiscale Training & Validation\n    - [x] Rotated RoI Align\n\n\n## 6. TODO List\n* To Be Released\n\n  * [ ] [CGBS](examples\u002Fcbgs\u002Fconfigs\u002Flyft_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py) on Lyft(val) Dataset\n\n* Models\n  \n  - [ ] PointRCNN\n  - [ ] PIXOR\n\n## 7. Call for contribution.\n* Support Waymo Dataset.\n* Add other 3D detection \u002F segmentation models, such as VoteNet, STD, etc.\n\n## 8. Developers\n\n[Benjin Zhu](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002F) , [Bingqi Ma](https:\u002F\u002Fgithub.com\u002Fa157801)\n\n## 9. License\n\nDet3D is released under the [Apache licenes](LICENES).\n\n## 10. Citation\nDet3D is a derivative codebase of [CBGS](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.09492), if you find this work useful in your research, please consider cite:\n```\n@article{zhu2019class,\n  title={Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection},\n  author={Zhu, Benjin and Jiang, Zhengkai and Zhou, Xiangxin and Li, Zeming and Yu, Gang},\n  journal={arXiv preprint arXiv:1908.09492},\n  year={2019}\n}\n```\n\n## 11. Acknowledgement\n\n* [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection) \n* [mmcv](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv)\n* [second.pytorch](https:\u002F\u002Fgithub.com\u002Ftraveller59\u002Fsecond.pytorch)\n* [maskrcnn_benchmark](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmaskrcnn-benchmark)\n","# Det3D\n\n一个基于 PyTorch 的通用 3D 目标检测代码库。\n\n## 1. 简介\n\nDet3D 是首个提供开箱即用的 3D 目标检测工具箱，内置了 PointPillars、SECOND、PIXOR 等多种 3D 目标检测算法的实现，并在 KITTI(ViP) 和 nuScenes(CBGS) 等主流基准上取得了最先进的性能。Det3D 的主要特性包括以下几个方面：\n\n* 多数据集支持：KITTI、nuScenes、Lyft\n* 基于点和基于体素的模型库\n* 最先进的性能\n* DDP 和 SyncBN 支持\n\n## 2. 安装\n\n请参考 [INSTALATION.md](INSTALLATION.md)。\n\n## 3. 快速入门\n\n请参考 [GETTING_STARTED.md](GETTING_STARTED.md)。\n\n## 4. 模型库\n\n### 4.1 nuScenes\n\n|             | mAP  | mATE | mASE | mAOE | mAVE | mAAE | NDS | 检查点 |\n| ----------- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |\n| [CBGS](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Fblob\u002Fmaster\u002Fexamples\u002Fcbgs\u002Fconfigs\u002Fnusc_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py) | 49.9 | 0.335 | 0.256 | 0.323 | 0.251 | 0.197 | 61.3 | [链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1rhamAqegE9iOp18tzQVam4rOMhHjjnRM?usp=sharing) |\n| [PointPillar](examples\u002Fpoint_pillars\u002Fconfigs\u002Fnusc_all_point_pillars_mghead_syncbn.py) | 41.8 | 0.363 | 0.264 | 0.377 | 0.288 | 0.198 | 56.0 | [链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1U0bkEQAhcxhDUD42nTCGC0uU0qaTO_Uv?usp=sharing) |\n\n原始模型和预测文件可在 [CBGS README](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Ftree\u002Fmaster\u002Fexamples\u002Fcbgs) 中找到。\n\n### 4.2 KITTI\n\n### [Second](examples\u002Fsecond\u002Fconfigs\u002Fkitti_car_vfev3_spmiddlefhd_rpn1_mghead_syncbn.py) 在 KITTI(val) 数据集上的表现\n\n```\ncar  AP @0.70, 0.70,  0.70:\nbbox AP:90.54, 89.35, 88.43\nbev  AP:89.89, 87.75, 86.81\n3d   AP:87.96, 78.28, 76.99\naos  AP:90.34, 88.81, 87.66\n```\n\n### [PointPillars](examples\u002Fpoint_pillars\u002Fconfigs\u002Fkitti_point_pillars_mghead_syncbn.py) 在 KITTI(val) 数据集上的表现\n\n```\t\ncar  AP@0.70,  0.70,  0.70:\nbbox AP:90.63, 88.86, 87.35\nbev  AP:89.75, 86.15, 83.00\n3d   AP:85.75, 75.68, 68.93\naos  AP:90.48, 88.36, 86.58\n```\n\n\n### 4.3 Lyft\n\n* [Lyft 配置](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D\u002Fblob\u002Fmaster\u002Fexamples\u002Fcbgs\u002Fconfigs\u002Flyft_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py)\n\n### 4.4 Waymo\n\n\n\n## 5. 功能特性\n\n* 模型\n  - [x] VoxelNet\n  - [x] SECOND\n  - [x] PointPillars\n* 特性\n    - [x] 多任务学习\n    - [x] 分布式训练与验证\n    - [x] SyncBN\n    - [x] 灵活的锚框尺寸\n    - [x] TensorboardX\n    - [x] 检查点保存与断点续训\n    - [x] 自包含的可视化功能\n    - [x] 微调\n    - [x] 多尺度训练与验证\n    - [x] 旋转 RoI Align\n\n\n## 6. 待办事项\n* 即将发布\n\n  * [ ] [CGBS](examples\u002Fcbgs\u002Fconfigs\u002Flyft_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py) 在 Lyft(val) 数据集上的表现\n\n* 模型\n  \n  - [ ] PointRCNN\n  - [ ] PIXOR\n\n## 7. 欢迎贡献\n* 支持 Waymo 数据集。\n* 添加其他 3D 检测\u002F分割模型，如 VoteNet、STD 等。\n\n## 8. 开发者\n\n[Benjin Zhu](https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002F) , [Bingqi Ma](https:\u002F\u002Fgithub.com\u002Fa157801)\n\n## 9. 许可证\n\nDet3D 采用 [Apache 许可证](LICENES) 发布。\n\n## 10. 引用\nDet3D 是 [CBGS](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.09492) 的衍生代码库。如果您在研究中使用了本项目，请考虑引用：\n```\n@article{zhu2019class,\n  title={Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection},\n  author={Zhu, Benjin and Jiang, Zhengkai and Zhou, Xiangxin and Li, Zeming and Yu, Gang},\n  journal={arXiv preprint arXiv:1908.09492},\n  year={2019}\n}\n```\n\n## 11. 致谢\n\n* [mmdetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection) \n* [mmcv](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmcv)\n* [second.pytorch](https:\u002F\u002Fgithub.com\u002Ftraveller59\u002Fsecond.pytorch)\n* [maskrcnn_benchmark](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fmaskrcnn-benchmark)","# Det3D 快速上手指南\n\nDet3D 是一个基于 PyTorch 的通用 3D 目标检测代码库，支持 KITTI、nuScenes、Lyft 等主流数据集，内置 PointPillars、SECOND、CBGS 等先进算法。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 16.04\u002F18.04)\n*   **Python**: Python 3.6+\n*   **PyTorch**: 1.1+ (建议与 CUDA 版本匹配)\n*   **CUDA**: 9.0+\n*   **其他依赖**: `spconv`, `numba`, `tensorboardX` 等\n\n> **注意**：由于涉及底层 CUDA 算子编译，建议使用 Conda 管理虚拟环境以避免依赖冲突。\n\n## 2. 安装步骤\n\n请参考官方提供的详细安装文档 [INSTALLATION.md](INSTALLATION.md)。通常包含以下核心步骤：\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fpoodarchu\u002FDet3D.git\n    cd Det3D\n    ```\n\n2.  **安装依赖**\n    创建 Conda 环境并安装基础 Python 包：\n    ```bash\n    conda create -n det3d python=3.7\n    conda activate det3d\n    pip install -r requirements.txt\n    ```\n\n3.  **编译 SpConv 及自定义算子**\n    Det3D 依赖 `spconv` 和自定义 CUDA 扩展。请根据 [INSTALLATION.md](INSTALLATION.md) 中的指引，确保正确编译 `spconv` 和项目内的 C++\u002FCUDA 扩展模块。\n    \n    *提示：若编译遇到权限或路径问题，请检查 CUDA 环境变量 (`CUDA_HOME`) 是否配置正确。*\n\n## 3. 基本使用\n\n详细的训练和测试流程请参阅 [GETTING_STARTED.md](GETTING_STARTED.md)。以下是基于 nuScenes 数据集使用 CBGS 模型的基本示例。\n\n### 3.1 数据准备\n请下载 nuScenes 数据集并按照标准格式组织目录结构。\n\n### 3.2 模型训练\n使用分布式数据并行 (DDP) 进行训练。以下命令以 nuScenes 全类别 CBGS 配置为例：\n\n```bash\npython -m torch.distributed.launch --nproc_per_node=8 .\u002Ftools\u002Ftrain.py examples\u002Fcbgs\u002Fconfigs\u002Fnusc_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py\n```\n\n*   `--nproc_per_node=8`: 指定使用的 GPU 数量，请根据实际硬件调整。\n*   配置文件路径可根据需求替换为 `examples\u002Fpoint_pillars\u002F` 或其他模型配置。\n\n### 3.3 模型评估\n训练完成后，使用以下命令在验证集上评估模型性能：\n\n```bash\npython .\u002Ftools\u002Fdist_test.py examples\u002Fcbgs\u002Fconfigs\u002Fnusc_all_vfev3_spmiddleresnetfhd_rpn2_mghead_syncbn.py --work_dir path\u002Fto\u002Fwork_dir --checkpoint path\u002Fto\u002Fcheckpoint.pth\n```\n\n### 3.4 推理与可视化\nDet3D 支持内置可视化工具。您可以加载预训练权重对单帧点云进行推理并查看结果。具体脚本参考 `tools\u002F` 目录下的相关演示代码。\n\n---\n**预训练模型参考：**\n*   **nuScenes (CBGS)**: mAP 49.9, NDS 61.3 - [下载链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1rhamAqegE9iOp18tzQVam4rOMhHjjnRM?usp=sharing)\n*   **KITTI (Second)**: Car 3D AP ~87.96 - 配置文件见 `examples\u002Fsecond\u002Fconfigs\u002F`","某自动驾驶初创公司的算法团队正致力于优化其 L4 级物流车的感知系统，需要在 nuScenes 复杂城市场景下提升对车辆、行人及障碍物的 3D 检测精度，并计划从 KITTI 数据集迁移模型以加速研发进程。\n\n### 没有 Det3D 时\n- **重复造轮子效率低**：团队需从零搭建 PointPillars 或 SECOND 等主流算法的基础框架，耗费数周时间处理数据加载、坐标转换等底层代码，严重挤占核心算法调优时间。\n- **多数据集适配困难**：KITTI 与 nuScenes 的数据格式差异巨大，缺乏统一接口导致每次切换数据集都需重写预处理管道，代码维护成本极高且容易引入 Bug。\n- **训练稳定性差**：在大规模分布式训练中，缺乏原生支持的同步批归一化（SyncBN）和断点续训功能，导致长周期训练常因意外中断而前功尽弃，复现 SOTA 结果难度极大。\n- **基线对比繁琐**：想要验证新改进是否有效，需手动集成多个基准模型进行对比，缺乏统一的评估标准，难以快速定位性能瓶颈。\n\n### 使用 Det3D 后\n- **开箱即用加速研发**：直接调用 Det3D 内置的 PointPillars 和 CBGS 等成熟模型配置，无需编写底层骨架代码，团队将精力集中于针对物流场景的特殊优化，研发周期缩短 50%。\n- **统一接口无缝切换**：借助其对 KITTI、nuScenes 等多数据集的原生支持，通过修改配置文件即可轻松切换数据源，实现了从公开数据集到内部采集数据的平滑迁移。\n- **高效稳定的分布式训练**：利用内置的 DDP 和 SyncBN 支持，团队在多卡服务器上实现了稳定高效的并行训练，配合断点续训功能，确保了大规模实验的连续性和结果的可复现性。\n- **标准化评估体系**：基于统一的 Model Zoo 快速建立高性能基线（如 nuScenes NDS 61.3%），为新算法提供了清晰的对比标杆，显著提升了迭代验证的效率。\n\nDet3D 通过提供标准化、模块化的 3D 检测基础设施，让算法团队从繁琐的工程实现中解放出来，专注于核心感知能力的突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FV2AI_Det3D_0a381c80.png","V2AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FV2AI_68294a9b.jpg","@poodarchu's research projects are listed here.",null,"poodarchu@gmail.com","benjin.me","https:\u002F\u002Fgithub.com\u002FV2AI",[84,88,92,96,100,104],{"name":85,"color":86,"percentage":87},"Python","#3572A5",84.3,{"name":89,"color":90,"percentage":91},"Cuda","#3A4E3A",7.7,{"name":93,"color":94,"percentage":95},"C++","#f34b7d",4.6,{"name":97,"color":98,"percentage":99},"Jupyter Notebook","#DA5B0B",2.9,{"name":101,"color":102,"percentage":103},"C","#555555",0.3,{"name":105,"color":106,"percentage":107},"Shell","#89e051",0.1,1557,297,"2026-03-30T08:09:20","Apache-2.0",4,"未说明","需要 NVIDIA GPU（支持 CUDA），具体显存和 CUDA 版本取决于所选模型和数据集，README 中提及 SyncBN 和 DDP，暗示多卡训练支持",{"notes":116,"python":113,"dependencies":117},"README 中未提供具体的安装细节，仅指向 INSTALLATION.md 文件。该工具基于 PyTorch，支持 KITTI、nuScenes 和 Lyft 数据集。主要依赖包括 mmcv、mmdetection 等 OpenMMLab 系列库以及 second.pytorch。支持分布式数据并行 (DDP) 和同步批归一化 (SyncBN)。",[118,119,120,121,122,123],"PyTorch","mmcv","mmdetection","second.pytorch","maskrcnn_benchmark","TensorboardX",[15,13,54,14],[126,127,128,129,130,131,132,133],"nuscenes","3d-object-detection","point-cloud","object-detection","kitti","pytorch","autonomous-driving","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T06:44:08.319382",[137,142,147,152,157,161],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},11417,"论文中提到的用于最终提交的“多尺度模型集成”具体是指什么？","是的，这里的“多尺度”指的是使用多种不同的体素大小（voxel size）训练多个模型并进行集成。","https:\u002F\u002Fgithub.com\u002FV2AI\u002FDet3D\u002Fissues\u002F55",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},11418,"为什么复现 PointPillar 在 KITTI 数据集上的性能低于预期或官方结果？","这通常与配置文件中的参数设置有关。尝试修改配置文件中的检测范围（range）和体素大小（voxel size），调整后的结果通常会更加合理并接近预期性能。","https:\u002F\u002Fgithub.com\u002FV2AI\u002FDet3D\u002Fissues\u002F35",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},11419,"在 NuScenes 数据集上复现 CBGS 时，为什么 mAVE（平均速度误差）正常但其他指标较差，或者整体性能偏低？","请检查 NuscenesDataset 初始化时的参数 `nsweep`。代码中默认值可能是 1，但配置文件中对应的参数名应为 `n_sweep`。如果参数名不匹配，模型可能仅使用了单帧激光雷达数据进行训练，从而导致性能下降。确保正确传递多帧扫描数据。","https:\u002F\u002Fgithub.com\u002FV2AI\u002FDet3D\u002Fissues\u002F47",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},11420,"加载预训练模型时报错“unexpected key in source state_dict: model, optimizer...”以及“missing keys...”，该如何解决？","这个错误通常是因为保存的 checkpoint 包含了优化器状态、迭代次数等额外信息，而不仅仅是模型权重。在加载模型时，需要确保只加载模型部分的 state_dict，或者使用正确的加载逻辑剥离掉 'model', 'optimizer', 'iteration' 等键，只保留网络权重部分。同时确认使用的配置文件（config）与预训练模型是否匹配（例如区分 lyft 和 nuscenes 的配置）。","https:\u002F\u002Fgithub.com\u002FV2AI\u002FDet3D\u002Fissues\u002F80",{"id":158,"question_zh":159,"answer_zh":160,"source_url":151},11421,"在 NuScenes 数据集上训练时出现 NaN Loss 或无法复现 CBGS 结果，有哪些常见的修复方法？","可以尝试以下修改：\n1. 在 `losses.py` 中添加代码处理 NaN 目标值：\n```python\n# FIX NaN TARGETS \ntarget_tensor = torch.where(\n    torch.isnan(target_tensor), prediction_tensor, target_tensor\n)\n```\n2. 在配置文件中设置同步批归一化参数：\n```python\nnorm_cfg = dict(type='SyncBN', eps=1e-3, momentum=0.01)\n```\n3. 在 `tools\u002Ftrain.py` 中启用 cudnn benchmark：\n```python\ntorch.backends.cudnn.benchmark = True\n```",{"id":162,"question_zh":163,"answer_zh":164,"source_url":146},11422,"如何在 Det3D 中实现激光雷达点云的可视化检测结果？","可以使用测试脚本并添加 `--show` 参数来可视化结果。例如命令：\n```bash\npython test.py ..\u002Fexamples\u002Fpoint_pillars\u002Fconfigs\u002Fkitti_point_pillars_mghead_syncbn.py epoch_100.pth --show\n```\n这将运行推理并显示检测结果的可视化图像。",[]]