SMOKE 3D：从 Python 到 C++ 实现车辆与行人单目 3D 视觉识别在 RK3588 上的深度部署

于 2025-08-19 22:26:56 发布
阅读量201 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： AI代码实战营：从零解锁智能开发，手把手带你打造 文章标签： 3d python c++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LXY_LOVE36/article/details/150535905

文章目录

SMOKE 3D：从 Python 到 C++ 实现车辆与行人单目 3D 视觉识别在 RK3588 上的深度部署

在这里插入图片描述
在这里插入图片描述

引言：从2D到3D——边缘AI的感知升级

在自动驾驶、机器人导航、智能监控等诸多领域，仅仅识别出物体在2D图像中的位置（目标检测）已不足以满足需求。我们更需要知道物体在真实世界中的精确三维位置、大小和姿态（3D目标检测）。这使得机器能够理解场景的深度和空间关系，从而进行更复杂的决策和交互。

传统的3D目标检测通常依赖于昂贵的传感器（如激光雷达、毫米波雷达）或多摄像头设置（立体视觉）。然而，单目3D目标检测则旨在仅使用单张RGB图像来推断3D信息，这极大地降低了硬件成本和系统复杂性，非常适合边缘计算设备如RK3588的部署。

SMOKE (Single-stage Monocular Keypoint-based 3D Object Detection) 正是这种背景下的一个杰出代表。它摒弃了传统方法中对独立2D检测器的依赖，创新性地通过回归

了解本专栏 订阅专栏 解锁全文
【三维目标检测模型】SMOKE
叶子的博客
08-19 1万+
SMOKE是一种基于关键点估计的单阶段单目三维目标检测模型，发表在CVPRW 2020，含详细python源码解读。
3d smoke(CPU版)
weixin_30265171的博客
01-22 148
BLOG好久没更新了。为了生计，远离了自己的爱好。Course notes "Real-Time Volume Graphics", Course #28, Siggraph 2004.介绍了许多利用三维纹理进行实时体绘制的方法。该文是可免费下载的，写得很精彩，图文并茂。许多自然景物的模拟（比如云、烟）在生成可视模型后，都是通过体绘制技术来展现在大家的眼球前。从文献上查到最早提...
【AI论文阅读】smoke：keypoint-based 单目3D目标检测模型
m0_51579041的博客
07-16 1123
smoke：keypoint-based 单目3D目标检测模型
CVPR2020 SMOKE 单目相机 3D目标检测【环境搭建篇】
黎国溥
12-30 5643
前言 SMOKE是一种用于自动驾驶的实时单目 3D 物体检测器。为什么会注意这边文章呢？是因为这两天发布的百度Apollo 7.0的摄像头障碍物感知，也是基于这个模型改进的；于是令我产生了一下兴趣。 论文名称：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文地址：https://arxiv.org/pdf/2002.10111.pdf 开源地址：https://github.com/lzcccc.
单目 3D 目标检测——SMOKE
steven_ysh的博客
05-23 5455
本文是阅读单目 3D 目标检测论文 SMOKE 后的记录，首先简单介绍了 SMOKE 这篇论文的工作，然后简要地介绍了其网络结构以及损失函数，最后展示该方法的检测结果
SMOKE 单目相机 3D目标检测【训练模型】
limingmin2020的博客
03-03 769
本文基于SMOKE模型，使用kitti3D目标检测数据集进行训练，记录一下过程。如果发现有错误，欢迎指出。【论文解读】SMOKE 单目相机 3D目标检测（CVPR2020）_一颗小树x的博客-CSDN博客_smoke 论文CVPR2020 SMOKE 单目相机 3D目标检测【环境搭建篇】_一颗小树x的博客-CSDN博客目录一、下载kitti 3D目标检测数据集二、处理数据集三、开始训练。
SMOKE 3D：从 Python 到 C++ 实现车辆与行人单目 3D 视觉识别 深度学习部署工程师-31
FJN110的博客
07-25 78
SMOKE是一种单阶段端到端的单目3D目标检测方法，直接通过预测关键点位置来估计3D目标信息。文章详细介绍了SMOKE模型的ONNX导出和TensorRT引擎构建过程，包括环境配置、依赖库安装、模型转换等步骤。重点解析了SMOKE的后处理解码过程，涉及深度信息恢复、3D中心点投影计算、目标体积估计和偏航角计算等关键步骤，并提供了相关数学公式和C++实现代码。该方法通过直接回归3D框参数，避免了传统方法中2D检测+后处理的复杂流程。
TenserRt平台SMOKE 3D目标检测部署完整教程：从理论到实践
最新发布
LXY_LOVE36的博客
08-17 201
本教程详细介绍了在RK3588平台上部署SMOKE 3D目标检测模型的完整流程。SMOKE是一种创新的单阶段单目3D检测方法，通过关键点估计直接预测3D目标信息，有效解决了深度信息缺失等挑战。文章从理论基础出发，解析了SMOKE的核心算法和网络架构，包括DLA-34主干网络和关键点中心化策略。同时提供了详细的Docker环境配置、模型导出到ONNX格式的实践指南，以及TensorRT引擎构建和性能优化的关键技术要点。该教程为开发者在嵌入式平台上实现高效3D目标检测提供了完整的技术参考。
从零开始的深度学习部署实战专栏 TensorRT+RK3588+int8量化保姆级别教程
FJN110的博客
08-10 3465
《深度学习部署实战全栈指南》专栏提供从零开始的完整学习路径，涵盖TensorRT、Jetson和RK3588等主流平台部署。内容包括C++/CMake基础、Docker容器化、模型量化优化等核心技术，通过68篇实战文章系统讲解YOLO目标检测、人脸分析、车牌识别等工业级项目部署。特色在于零基础友好、全技术链路覆盖，包含Jetson边缘计算和RK3588硬件加速等专题，帮助开发者掌握从算法到硬件的全栈部署能力，适合算法工程师转型和嵌入式开发者进阶。
RK3588部署YOLO模型 包含模型量化+npu轻量化+ubuntu+RGA图像加速和多线程模型加速 包源码
FJN110的博客
08-10 3466
本专栏为深度学习部署全栈学习体系，包含68篇由浅入深的教程，专为零基础学习者设计。内容涵盖TensorRT与RK3588平台部署技术，包含Jetson系列和RK系列硬件部署实战，采用"理论+源码+实战"三位一体的教学模式。学习路径从基础环境搭建到模型优化、容器化部署、多硬件平台适配，最终掌握工业级AI部署能力。特色包括C++基础教学、Docker容器化、INT8量化、多线程优化等核心技术，并附带YOLOv5、人脸检测、车牌识别等多个实战项目源码。适合算法工程师转部署方向、嵌入式开发者及对
unity逼真的火与烟特效Real Fire & Smoke
06-07
unity逼真的火与烟特效Real Fire & Smoke
3D smoke simulator entirely run on GPU
weixin_30363817的博客
08-12 171
上次的一篇Real time Fluid着重介绍了fluid simulator的理论, 并且也实现了一个2D的GPU solver, 最近一边做任务, 一边把它扩展成了3d的完全在GPU上计算的高一级的流体模拟, 实现的细节(需要注意的地方)很多, 但是懒得写字, 因为现在很困了, 待下回分解(我一定会写), 下面先传上我的simulator的截图给大家赏赏, 熟知gpu运算方法的人, 也不难从...
单目3D目标检测——SMOKE 模型推理 | 可视化结果
黎国溥
10-09 2113
本文分享SMOKE的模型推理，和可视化结果。以kitti数据集为例子，对训练完的模型进行推理，并可视化3D框的结果，画到图像中。
【论文解读】SMOKE 单目相机 3D目标检测（CVPR2020）
黎国溥
01-15 3035
前言 SMOKE是一种用于自动驾驶的实时单目 3D 物体检测器。为什么会注意这边文章呢？是因为这两天发布的百度Apollo 7.0的摄像头障碍物感知，也是基于这个模型改进的；于是令我产生了一些兴趣。 论文名称：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 论文地址：https://arxiv.org/pdf/2002.10111.pdf 开源地址：https://github.com/lzccc..
最新发布！SMOKE 单目3D目标检测，代码开源！
3D视觉工坊
02-16 6185
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者‖ 黎国溥编辑‖3D视觉开发者社区SMOKE是一个one-stage的单目视觉障碍物检测模型，它认为2D检测对于单目3D检测任务...
单目3D目标检测网络SMOKE解读
04-08 5110
论文： SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation 代码： https://github.com/lzccccc/SMOKE 0 引言 现有的单目3D目标检测基本都是2阶段的， 首先基于2D目标检测生成目标的2D候选区域， 然后针对获取到的2D候选区域预测目标的位置姿态等。 论文认为2D检测是不必要的， 甚至会引入不必要的噪声。 如果已知目标的3D属性和相机的内参， 根据几何投影关系是可以得到2D属性的，
【单目3D检测】：SMOKE论文
@bangbang的博客
03-12 1704
相同的 DLA-34 backbone来提取特征，唯一的改变就是将BN替换为GN（group norm），因为GN对batch size不那么敏感, 且对于训练噪声更加鲁棒，因此 SMOKE 将所有的 BN 操作全部换为 GN 操作, 图像经过Backbone输出特征尺寸为。与centernet不同的是这里预测3d box中心点投影到2d图像上的点，而不是2d box的中心点，因为论文中直接抛弃了2d检测分支，而3d box中心点在2d图像上的投影点，可通过相机内参。为3D中心点投影到图像上的点。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值