单目3D与BEV到底解决什么工作场景
在自动驾驶与辅助驾驶研发里，感知团队常遇到一个现实矛盾：多传感器融合方案效果虽好，但量产车的算力与成本预算往往扛不住高线束激光雷达。单目3D感知的核心价值，就是只用一颗摄像头，去估算目标的距离、尺寸与朝向，再通过BEV把多帧多视角图像统一到鸟瞰图空间做时序融合。这门资料对应的场景很明确：做低速泊车、前向预警、轻量级L2+感知，或者为量产车做低算力平替方案。它不教你怎么搭整车架构，而是聚焦在“单张图怎么估深度、多帧怎么拼BEV”这条窄而硬的技术线上。
基础门槛与建议先看的几块
这套资料不适合零基础转行。默认你已经能独立读懂Python工程，熟悉PyTorch训练流程，对卷积特征提取有基本概念，最好用过OpenCV做过简单的视觉任务。如果连反向传播都生疏，建议先补基础再碰这套内容。拿到资料后，别从第一页顺次刷，建议先看单目3D检测介绍那节，把评测指标和数据集的坐标定义吃透，否则后面所有代码跑出来的指标你都无法判断对错。接着直接跳到单目2D检测里的半监督学习与基于大模型的自动标注部分，这两块直接关系到你后续怎么低成本扩充训练集，是工程落地的关键短板。
学完能独立做什么与资料配合练习的方式
把核心模块啃完后，你应该能独立完成几件事：在公开数据集上跑通单目3D检测训练并输出合理的指标、把2D检测与深度估计组合成简易3D框、搭建基础的单目BEV时序转换模块。资料配合练习的关键在于“先跑通再调参”。第一步必须严格按教程配置环境，用小尺度数据跑通前向推理，确认坐标对齐无误；第二步再切分子集做微调训练，观察损失曲线。单目BEV和Occupancy方案的内容不能光看视频，务必边看边在编辑器里对照网络结构写一遍前向。遇到维度不匹配的报错，先回查2D特征到BEV视角的投影逻辑，这是初学者最容易卡住的地方。把这套流程走完，你交出去的就不只是跑分数字，而是能实打实解决量产感知降本需求的工程能力。
一. 单目3D检测介绍 · 二. 单目2D检测 · 三. 单目3D检测 · 四. 单目BEV方案 · 五. 单目Occupancy方案
课程目录
* 01 一. 单目3D检测介绍/
* 01 第一章-单目3D检测介绍.pptx
* 02 1.1 单目3D检测介绍.mp4
* 03 1.2 为什么需要单目3D检测.mp4
* 04 1.3 单目3D数据集介绍.mp4
* 05 1.4 单目3D评测指标介绍.mp4
* 06 1.5 单目3D代码框架和环境配置.mp4
* 02 二. 单目2D检测/
* 01 第二章-单目2D.pptx
* 02 2.1 2D检测的范式.mp4
* 03 2.2-2.3 单目2D的数据集评测与数据闭环.mp4
* 04 2.4 2D检测中半监督学习.mp4
* 05 2.5 基于大模型的自动标注.mp4
* 03 三. 单目3D检测/
* 01 第三章-单目3D课件.pptx
* 02 3.1 单目3D坐标变换-01.mp4
* 03 3.1 单目3D坐标变换-02-畸变.mp4
* 04 3.1 单目3D坐标变换-03-多传感器变换.mp4
* 05 3.2 单目3D-检测范式.mp4
* 06 3.3 单目3D-自动标注-01.mp4
* 07 3.3 单目3D-自动标注-02.mp4
* 08 3.3 单目3D-自动标注-03.mp4
* 09 3.4 DD3Dv1&v2算法详解.mp4
* 10 3.5 基于几何约束的单目3D-FCOS3D.mp4
* 11 3.6 基于几何约束的单目3D-KM3D.mp4
* 12 3.7 基于几何约束的单目3D-monoflex.mp4
* 13 第四章-单目3D实战.pptx
* 14 第三章：单目3D检测实战详解.mp4
* 04 四. 单目BEV方案/
* 01 第四章-单目BEV.pdf
* 02 4.1 单目BEV范式介绍.mp4
* 03 4.2 单目BEV评测标准.mp4
* 04 4.3 单目BEV如何做自动标注.mp4
* 05 4.4 CaDDN+BEVDet单目方案.mp4
* 06 4.5 PTER方案.mp4
* 05 五. 单目Occupancy方案/
* 01 第五章-Occupancy network.pdf
* 02 5.1 Occupancy评测标准与范式介绍.mp4
* 03 5.2 Occupancy Network能做什么.mp4
* 04 5.3 行业Occupancy方案介绍.mp4
* 05 5.4 Occupancy标签是怎么生成的.mp4
* 06 5.5 VoxelFormer算法详解.mp4
* 07 5.6 OccupancyM3D算法详解.mp4
