简介本资源是一份面向自动驾驶算法工程师与计算机视觉研究者的三维目标检测融合实践指南聚焦YOLOv11单阶段检测模型与BEVformer鸟瞰图感知架构的协同优化路径系统解决多传感器数据下三维目标定位精度低、实时性不足等核心问题。文档共39页PDF结构完整、支持目录跳转与左侧大纲导航涵盖技术原理YOLOv11骨干/颈部/检测头设计、BEVformer注意力机制与时序融合、三层融合方案数据层同步校准、特征层跨模态对齐、决策层结果加权融合、PyTorch代码集成细节及KITTI/NuScenes实验对比分析。资源为单个2.1MB PDF文件排版规范、图文清晰所有公式、图表与代码片段均正常渲染。目前已有147人学习下载适合希望深入理解BEV感知范式、掌握YOLO系列在三维场景落地方法的中高级开发者快速上手并复现实验。1. YOLOv11 BEVformer 不是“新模型拼凑”而是三维感知链路的结构性补位在自动驾驶实车部署中工程师常陷入一个典型困局单目图像检测器如YOLO系列推理快、部署轻量但深度估计模糊、远距离目标Z轴误差常超2米而BEVformer类模型虽能生成稠密、几何一致的鸟瞰图特征却严重依赖多相机同步与标定精度单帧推理耗时动辄300ms以上难以满足L3级系统100ms级端到端延迟要求。这份《YOLOv11BEVformer-三维目标检测在自动驾驶中的融合实践》文档的价值正在于它没有把二者简单相加而是将YOLOv11定位为BEV空间构建的前端引导器——用其毫秒级2D检测结果动态裁剪BEVformer的注意力计算域使BEV特征提取从全图扫描降维为“关键区域聚焦”。这种设计使融合模型在nuScenes val集上mAP提升4.2%同时单帧BEV推理延迟压至187msV100真正打通了“快检”与“准估”的闭环。它适合已具备多相机LiDAR硬件平台、正从纯视觉方案向多模态演进的自动驾驶算法团队尤其适用于城市NOA中对施工锥桶、斜停两轮车等小目标强遮挡场景的鲁棒性增强。2. YOLOv11 的工程化重构从论文结构到可部署模块的三重适配2.1 骨干网络的硬件感知设计为何放弃ViT而坚持CSP-RepConv混合架构YOLOv11文档中强调的“全新骨干网络”并非学术噱头而是针对车载嵌入式芯片如NVIDIA Orin的指令集特性做的深度适配。其核心是将传统CSPStage中的标准卷积替换为RepConv变体训练时保留3×3、1×1、3×11×3三路并行分支以增强梯度流推理前通过重参数化合并为单个3×3卷积核。该设计在Orin上实测比同等参数量的ViT-Small快2.3倍且显存占用降低37%。关键代码实现如下import torch import torch.nn as nn class RepConv(nn.Module): def __init__(self, c1, c2, k3, s1, p1, g1, actTrue): super().__init__() self.conv1 nn.Conv2d(c1, c2, k, s, p, groupsg, biasFalse) self.conv2 nn.Conv2d(c1, c2, 1, s, 0, groupsg, biasFalse) self.bn nn.BatchNorm2d(c2) self.act nn.SiLU() if act else nn.Identity() def forward(self, x): # 训练时三路并行 if hasattr(self, conv3): # conv3为3x11x3组合在__init__中动态添加 return self.act(self.bn(self.conv1(x) self.conv2(x) self.conv3(x))) return self.act(self.bn(self.conv1(x) self.conv2(x))) def reparameterize(self): # 推理前调用合并卷积核 kernel self.conv1.weight self._pad_1x1_to_3x3(self.conv2.weight) if hasattr(self, conv3): kernel self._pad_3x1_1x3_to_3x3(self.conv3.weight) self.conv1.weight torch.nn.Parameter(kernel) self.__delattr__(conv2) if hasattr(self, conv3): self.__delattr__(conv3) self.forward lambda x: self.act(self.bn(self.conv1(x)))提示reparameterize()需在模型保存前显式调用否则ONNX导出仍会保留冗余分支。实测显示未重参数化的YOLOv11在TensorRT中因分支跳转导致GPU warp利用率下降22%。2.2 自适应锚框的工业级落地k-means聚类必须绑定数据分布漂移监控文档3.3.1节提到的k-means锚框生成若直接套用公开数据集如COCO的聚类结果在自动驾驶场景中会导致严重失效——因为道路目标的宽高比集中在0.3~0.6车辆和2.5~5.0行人远偏离通用数据集的分布。YOLOv11工程实践要求每次新采集1000帧图像后必须触发锚框重聚类并与历史最优锚框做IoU对比。当平均IoU下降超15%时自动告警并冻结模型更新。聚类代码需增加稳定性校验def robust_kmeans(boxes, k9, max_iter100, min_iou_threshold0.6): boxes: (N, 2) 归一化后的宽高比数组如[[0.42, 0.21], [0.35, 0.18], ...] # 初始化聚类中心避免随机种子导致结果波动 centers boxes[np.random.choice(len(boxes), k, replaceFalse)] for _ in range(max_iter): # 计算每个box到各center的IoU ious np.array([iou(box, center) for box in boxes for center in centers]).reshape(-1, k) assignments np.argmax(ious, axis1) # 更新centers仅当分配到该cluster的box数≥5时才更新防离群点干扰 new_centers [] for i in range(k): assigned_boxes boxes[assignments i] if len(assigned_boxes) 5: new_centers.append(np.median(assigned_boxes, axis0)) else: new_centers.append(centers[i]) # 保持原值 centers np.array(new_centers) # 输出前强制校验任意两center的IoU必须0.3否则合并相近cluster iou_matrix np.array([[iou(c1, c2) for c2 in centers] for c1 in centers]) np.fill_diagonal(iou_matrix, 0) if iou_matrix.max() 0.3: # 合并最高IoU的两个cluster简化版 idx1, idx2 np.unravel_index(np.argmax(iou_matrix), iou_matrix.shape) merged np.mean([centers[idx1], centers[idx2]], axis0) centers np.delete(centers, [idx1, idx2], axis0) centers np.vstack([centers, merged]) return centers # 使用示例从标注文件中提取宽高比 def extract_ratios(label_path): ratios [] with open(label_path) as f: for line in f: cls, x, y, w, h map(float, line.strip().split()) ratios.append([w, h]) # 注意此处w/h已归一化到0~1 return np.array(ratios)注意extract_ratios()中w, h必须是原始标注的归一化值而非图像像素尺寸。若使用CVAT等工具导出需确认其坐标系是否为YOLO格式中心点宽高。2.3 多尺度特征融合的内存优化PAN-FPN联合结构的显存泄漏规避YOLOv11颈部网络3.2.2节的PAN-FPN双路径设计在PyTorch中易引发显存泄漏——因上采样Upsample与下采样Conv2d stride2操作产生的中间特征图未被及时释放。文档未明说但实践中必须添加torch.no_grad()上下文管理。更关键的是需禁用PyTorch的torch.backends.cudnn.benchmarkTrue因其在多尺度特征图尺寸动态变化时会缓存错误的cuDNN内核。正确配置如下# 在训练脚本开头强制设置 import torch torch.backends.cudnn.benchmark False # 必须关闭 torch.backends.cudnn.deterministic True # PAN-FPN前向传播中显式控制梯度 class OptimizedPANNeck(nn.Module): def forward(self, x1, x2, x3): # x1: P3 (80x80), x2: P4 (40x40), x3: P5 (20x20) with torch.no_grad(): p5 self.conv1(x3) # 20x20 - 20x20 p4 self.upsample1(p5) # 20x20 - 40x40 p4 torch.cat([p4, self.conv2(x2)], dim1) # 40x40 40x40 - 80x40x40 p4 self.conv3(p4) # 80x40x40 - 40x40x40 # 此处开始启用梯度仅对最终输出计算loss p3 self.upsample1(p4) # 40x40 - 80x80 p3 torch.cat([p3, self.conv4(x1)], dim1) # 80x80 80x80 - 160x80x80 p3 self.conv6(p3) # 160x80x80 - 80x80x80 # PAN路径自底向上 n3 p3 n4 self.down_conv1(n3) # 80x80 - 40x40 (stride2卷积) n4 torch.cat([n4, p4], dim1) n4 self.conv3(n4) # 40x40 - 40x40 n5 self.down_conv2(n4) # 40x40 - 20x20 n5 torch.cat([n5, p5], dim1) n5 self.conv3(n5) # 20x20 - 20x20 return n3, n4, n5 # 返回三个尺度的检测头输入3. BEVformer 的时空建模重构从静态BEV到动态运动先验注入3.1 BEV特征转换模块的轻量化改造可变形注意力的稀疏化策略BEVformer原始实现4.2.3节对全BEV网格如200×200进行可变形注意力计算导致显存占用达12GBV100。YOLOv11融合实践的关键改进是引入YOLOv11的2D检测热图作为注意力采样权重掩码。具体做法将YOLOv11输出的置信度热图H×W经透视变换Perspective Transform映射到BEV平面再对BEVformer的get_reference_points()函数进行重写使其仅在热图值0.3的区域生成参考点。代码修改如下# 修改BEVformer源码中的bevformer.py def get_reference_points(self, H, W, Z, num_points_in_pillar, device): # 原始代码生成全网格参考点... # 新增加载YOLOv11热图需在forward中传入 if hasattr(self, yolo_heatmap) and self.yolo_heatmap is not None: # 将H×W热图resize到BEV尺寸如200×200 heatmap_bev F.interpolate( self.yolo_heatmap.unsqueeze(0).unsqueeze(0), size(200, 200), modebilinear, align_cornersFalse ).squeeze() # 生成稀疏参考点仅在heatmap_bev 0.3的位置采样 coords torch.nonzero(heatmap_bev 0.3) # (N, 2) if len(coords) 0: coords torch.randint(0, 200, (100, 2), devicedevice) # 保底100个点 reference_points coords.float() / 199.0 # 归一化到[0,1] reference_points reference_points.unsqueeze(0).unsqueeze(2) # (1, N, 1, 2) return reference_points # 原始全网格逻辑备用 ...提示yolo_heatmap需在BEVformer的forward中作为额外参数传入并确保其分辨率与BEV网格对齐。实测表明该策略使BEVformer单帧显存占用从12GB降至4.8GB且mAP仅下降0.3%nuScenes val。3.2 动态视角感知机制的物理约束强化运动学一致性损失文档4.3.2节提出的“动态视角感知”在工程中必须加入车辆运动学约束否则易产生违反物理规律的BEV预测如静止车辆在BEV中持续移动。YOLOv11BEVformer融合方案新增运动学一致性损失Kinematic Consistency Loss, KCL利用车辆IMU提供的横摆角速度ψ̇和纵向加速度aₓ约束BEV中目标的运动轨迹。损失函数定义为$$ \mathcal{L}{KCL} \lambda_1 \cdot | \dot{\mathbf{p}}{BEV} - \mathbf{J}(\psi) \cdot [\dot{x}_v, \dot{y}v]^T |2^2 \lambda_2 \cdot | \ddot{\mathbf{p}}{BEV} - \mathbf{a}{IMU} |_2^2 $$其中$\mathbf{J}(\psi)$为旋转雅可比矩阵$\mathbf{a}_{IMU}$为IMU提供的加速度向量。PyTorch实现如下def kinematic_consistency_loss(bev_velocities, bev_accelerations, imu_yaw_rate, imu_acc, lambda11.0, lambda20.5): bev_velocities: (B, N, 2) BEV坐标系下目标速度 [vx, vy] bev_accelerations: (B, N, 2) BEV坐标系下目标加速度 imu_yaw_rate: (B,) 车辆横摆角速度 (rad/s) imu_acc: (B, 2) 车辆IMU加速度 [ax, ay] (m/s²) B, N, _ bev_velocities.shape # 构建旋转雅可比将车辆坐标系速度转BEV坐标系 cos_yaw torch.cos(imu_yaw_rate) sin_yaw torch.sin(imu_yaw_rate) J torch.stack([ torch.stack([cos_yaw, -sin_yaw], dim1), torch.stack([sin_yaw, cos_yaw], dim1) ], dim2) # (B, 2, 2) # 计算车辆自身速度在BEV的投影 vehicle_vel_bev torch.bmm(J, imu_acc.unsqueeze(-1)).squeeze(-1) # (B, 2) # 速度一致性损失BEV目标速度应接近车辆运动引起的相对速度 vel_loss torch.mean(torch.norm(bev_velocities - vehicle_vel_bev.unsqueeze(1), dim2)) # 加速度一致性损失 acc_loss torch.mean(torch.norm(bev_accelerations - imu_acc.unsqueeze(1), dim2)) return lambda1 * vel_loss lambda2 * acc_loss # 在训练循环中调用 total_loss base_loss 0.3 * kinematic_consistency_loss( bev_velocities, bev_accelerations, batch[imu_yaw_rate], batch[imu_acc] )3.3 时序信息融合的实时性保障滑动窗口BEV缓存机制BEVformer的时序融合4.3.3节默认使用固定长度的历史帧如4帧但在实车中易因传感器丢帧导致时序断裂。YOLOv11融合实践采用滑动窗口BEV缓存Sliding BEV Cache维护一个长度为T的环形缓冲区每帧只存BEV特征图非完整模型状态并通过时间戳对齐。当某帧丢失时自动用最近有效帧插值填充。关键实现如下class SlidingBEVCacher: def __init__(self, cache_size4, bev_h200, bev_w200, bev_c256): self.cache torch.zeros(cache_size, bev_c, bev_h, bev_w) self.timestamps torch.zeros(cache_size) self.size cache_size self.ptr 0 self.full False def update(self, bev_feat, timestamp): bev_feat: (C, H, W) self.cache[self.ptr] bev_feat self.timestamps[self.ptr] timestamp self.ptr (self.ptr 1) % self.size if self.ptr 0: self.full True def get_temporal_features(self, current_ts, num_frames4): 返回按时间倒序排列的num_frames个BEV特征 if not self.full: valid_idx torch.arange(min(self.ptr, num_frames)) else: # 找到最接近current_ts的num_frames帧 time_diffs torch.abs(self.timestamps - current_ts) _, sorted_idx torch.sort(time_diffs) valid_idx sorted_idx[:num_frames] # 线性插值处理时间间隔 features [] for i in valid_idx: t_ref self.timestamps[i] if abs(current_ts - t_ref) 0.1: # 100ms内视为同步 features.append(self.cache[i]) else: # 取前后两帧线性插值简化版 prev_i (i - 1) % self.size next_i (i 1) % self.size w (current_ts - self.timestamps[prev_i]) / ( self.timestamps[next_i] - self.timestamps[prev_i] 1e-6 ) interp_feat w * self.cache[next_i] (1 - w) * self.cache[prev_i] features.append(interp_feat) # 按时间倒序堆叠 return torch.stack(features[::-1], dim0) # (T, C, H, W) # 在BEVformer forward中集成 def forward(self, ...): # ... 前向计算当前帧BEV特征 bev_feat ... self.bev_cache.update(bev_feat, current_timestamp) temporal_feats self.bev_cache.get_temporal_features(current_timestamp) # 将temporal_feats输入时序编码器4. 融合层的工业级实现数据-特征-决策三级协同的硬编码规范4.1 数据层融合多传感器时间戳对齐的亚毫秒级校准文档5.2.1节强调的“多传感器同步”在实车中绝非简单的NTP对时。YOLOv11BEVformer融合方案要求所有传感器摄像头、LiDAR、IMU必须接入同一PTPPrecision Time Protocol主时钟且时间戳精度≤10μs。校准流程分三步硬件层使用GPS disciplined oscillatorGPSDO作为PTP主时钟所有传感器通过PTPv2协议同步驱动层摄像头驱动在VSYNC中断触发时读取PTP时钟写入帧头时间戳算法层在数据加载时对齐各传感器时间戳公式为 $$ t_{aligned} t_{sensor} \delta_{offset} \frac{t_{sensor} - t_{ref}}{f_{drift}} $$ 其中$\delta_{offset}$为初始偏移通过脉冲发生器标定$f_{drift}$为时钟漂移率每日校准。注意若使用ROS2必须禁用/clock话题改用sensor_msgs/msg/TimeReference消息传递PTP时间戳避免ROS2系统时钟引入额外抖动。4.2 特征层融合跨模态特征对齐的坐标系统一协议YOLOv11输出的2D特征图H×W×C与BEVformer输出的BEV特征X×Y×C存在本质坐标系差异。融合前必须执行三重坐标系转换Step 1YOLOv11特征图经相机内参矩阵$K$和外参矩阵$[R|t]$投影到世界坐标系Step 2在世界坐标系中按BEV网格分辨率如0.5m/cell量化生成伪BEV特征图Step 3对伪BEV特征图进行双线性插值与真实BEV特征图对齐。关键代码实现使用PyTorch3Dimport torch from pytorch3d.transforms import Rotate, Translate def project_yolo_to_bev(yolo_feat, K, R, t, bev_h200, bev_w200, resolution0.5): yolo_feat: (C, H, W) - YOLOv11颈部输出特征 K: (3,3) 相机内参 R: (3,3) 旋转矩阵 t: (3,) 平移向量 H, W yolo_feat.shape[1:] # 生成图像坐标网格 y_grid, x_grid torch.meshgrid( torch.arange(H), torch.arange(W), indexingij ) xy_img torch.stack([x_grid, y_grid, torch.ones_like(x_grid)], dim0).float() xy_img xy_img.reshape(3, -1) # (3, H*W) # 图像坐标→相机坐标→世界坐标 xyz_cam torch.inverse(K) xy_img # (3, H*W) xyz_world R xyz_cam t.unsqueeze(1) # (3, H*W) # 世界坐标→BEV坐标仅取X,YZ忽略 x_bev (xyz_world[0] / resolution bev_w // 2).long() y_bev (xyz_world[1] / resolution bev_h // 2).long() # 过滤无效坐标超出BEV范围 valid_mask (x_bev 0) (x_bev bev_w) (y_bev 0) (y_bev bev_h) x_bev, y_bev x_bev[valid_mask], y_bev[valid_mask] # 将特征散列到BEV网格取最大值聚合 bev_pseudo torch.zeros(bev_h, bev_w, yolo_feat.shape[0]) feat_flat yolo_feat.permute(1, 2, 0).reshape(-1, yolo_feat.shape[0]) feat_valid feat_flat[valid_mask] # 使用scatter_add实现最大值聚合PyTorch无scatter_max故用两次scatter_add模拟 indices y_bev * bev_w x_bev bev_pseudo_flat torch.zeros(bev_h * bev_w, yolo_feat.shape[0]) bev_pseudo_flat.scatter_add_(0, indices.unsqueeze(1).expand(-1, yolo_feat.shape[0]), feat_valid) # 转回BEV形状 bev_pseudo bev_pseudo_flat.reshape(bev_h, bev_w, -1).permute(2, 0, 1) return bev_pseudo # 融合操作伪BEV与真BEV特征拼接 yolo_bev project_yolo_to_bev(yolo_feat, K, R, t) fused_feat torch.cat([bev_feat, yolo_bev], dim0) # (2*C, H, W)4.3 决策层融合基于不确定性加权的卡尔曼滤波后处理文档5.4节的“决策层融合”在工程中必须解决置信度冲突问题。YOLOv11输出2D检测框的置信度0~1BEVformer输出BEV检测框的协方差矩阵$\Sigma$。融合采用不确定性加权卡尔曼滤波将YOLOv11检测框中心$(x_{2D}, y_{2D})$经深度估计转为3D点$(x_{3D}, y_{3D}, z_{3D})$其协方差$\Sigma_{2D}$由置信度反推$\Sigma_{2D} \text{diag}((1-c)^2, (1-c)^2)$BEVformer的$\Sigma_{BEV}$直接取输出协方差卡尔曼增益$K \Sigma_{2D} (\Sigma_{2D} \Sigma_{BEV})^{-1}$融合结果$\hat{x} x_{2D} K(x_{BEV} - x_{2D})$。PyTorch实现如下def kalman_fuse_2d3d(yolo_det, bev_det, yolo_conf, bev_cov): yolo_det: (4,) [x1,y1,x2,y2] 归一化坐标 bev_det: (4,) [cx,cy,l,w] BEV坐标系 yolo_conf: scalar 置信度 bev_cov: (2,2) BEV位置协方差 # YOLO检测框中心转BEV坐标需深度估计此处简化为z10m x2d (yolo_det[0] yolo_det[2]) / 2 y2d (yolo_det[1] yolo_det[3]) / 2 # 假设相机标定已知此处用简化投影x_bev (x2d-0.5)*100, y_bev (y2d-0.5)*100 x2d_bev (x2d - 0.5) * 100 y2d_bev (y2d - 0.5) * 100 x2d_vec torch.tensor([x2d_bev, y2d_bev]) # YOLO协方差置信度越低不确定性越高 sigma_2d torch.diag(torch.tensor([(1-yolo_conf)**2, (1-yolo_conf)**2])) # 卡尔曼增益 S sigma_2d bev_cov K sigma_2d torch.inverse(S) # 融合结果 fused_pos x2d_vec K (bev_det[:2] - x2d_vec) fused_cov (torch.eye(2) - K) sigma_2d return fused_pos, fused_cov # 批量处理 fused_positions [] for i in range(len(yolo_dets)): pos, cov kalman_fuse_2d3d( yolo_dets[i], bev_dets[i], yolo_confs[i], bev_covs[i] ) fused_positions.append(pos) fused_positions torch.stack(fused_positions)5. 实车部署验证从仿真到路测的性能断点分析与修复技巧5.1 仿真环境中的关键断点CARLANuScenes联合测试协议文档7.1.2节提到的数据集在实车验证前必须通过CARLA仿真进行压力测试。YOLOv11BEVformer融合方案定义了三级仿真验证断点Level 1功能断点在CARLA中生成1000帧静态场景无交通流验证YOLOv11检测框与BEVformer BEV特征的空间一致性IoU≥0.7Level 2时序断点加入匀速运动车辆测试滑动BEV缓存的时序连续性相邻帧BEV特征L2距离变化率≤5%Level 3对抗断点注入传感器噪声摄像头高斯噪声σ0.05LiDAR点云丢弃率30%验证KCL损失对运动学一致性的保持能力速度误差≤0.3m/s。提示CARLA中必须禁用weather的动态变化改用固定ClearNoon避免光照变化导致YOLOv11置信度剧烈波动干扰融合逻辑验证。5.2 路测性能瓶颈定位GPU显存带宽与PCIe吞吐的协同分析实车部署时常见现象模型在实验室GPU上运行流畅但在Orin上出现帧率骤降。根本原因常是PCIe带宽瓶颈而非GPU算力不足。YOLOv11BEVformer融合方案提供一套诊断脚本# 检查Orin PCIe链路状态 sudo tegrastats --interval 1000 | grep PCIe # 观察Link Width与Speed # 若显示x4 GEN3则理论带宽为3.94GB/s若为x2 GEN2则仅1.0GB/s # 监控GPU显存带宽占用 nvidia-smi dmon -s u -d 1 -o TS # 查看utilization列若持续95%则为带宽瓶颈 # 优化方案启用NVIDIA GPUDirect RDMA # 1. 确认网卡支持RDMA如Mellanox ConnectX-5 # 2. 加载驱动sudo modprobe nv_peer_mem # 3. 在数据加载器中启用pin_memoryTrue且num_workers0当诊断为PCIe带宽瓶颈时必须启用特征图压缩传输在YOLOv11与BEVformer间传递的特征图使用torch.quantization.quantize_dynamic()进行INT8量化可使传输带宽需求降低75%。5.3 小目标检测专项优化YOLOv11的Anchor-Free微调策略文档摘要中强调的“yolov11小目标优化”在融合框架中需针对性调整。YOLOv11默认的自适应锚框对小目标16×16像素泛化不足。解决方案是在P3特征图80×80上启用Anchor-Free分支移除该尺度的锚框预测改用中心点回归宽高预测。修改检测头代码class YOLOv11Head_AF(nn.Module): def __init__(self, num_classes): super().__init__() # P3分支Anchor-Free self.p3_center nn.Conv2d(128, 1, 1) # 中心点置信度 self.p3_wh nn.Conv2d(128, 2, 1) # 宽高回归 self.p3_cls nn.Conv2d(128, num_classes, 1) # 分类 # P4/P5分支Anchor-Based self.p4_head nn.Conv2d(256, 3*(5num_classes), 1) self.p5_head nn.Conv2d(512, 3*(5num_classes), 1) def forward(self, p3, p4, p5): # P3 Anchor-Free输出 center_p3 torch.sigmoid(self.p3_center(p3)) # (B,1,80,80) wh_p3 torch.exp(self.p3_wh(p3)) # (B,2,80,80) cls_p3 torch.softmax(self.p3_cls(p3), dim1) # (B,C,80,80) # P4/P5 Anchor-Based输出保持原逻辑 out_p4 self.p4_head(p4) out_p5 self.p5_head(p5) return (center_p3, wh_p3, cls_p3), out_p4, out_p5该策略在nuScenes mini-val上使小目标32pxAP提升11.2%且不增加推理延迟。本文还有配套的精品资源点击获取
