mmdetection3增加12种注意力机制，包括：CBAM、BAM、SEAttention、ECAAttention 、ShuffleAttention 、SGE 、A2Atttention 、PolarizedSelfAttention、CoTAttention、TripletAttention、CoordAttention、ParNetAttention

通过修改，目前只需要建个mmdetection环境就可以跑，资源中附带教程。

批量推理mask

文件用于mmdetection3d的SUN RGB-D数据集预处理程序，原始处理程序为matlab版，这里替换成了Python版本。文件包含了数据集分割和标注数据提取两个python脚本文件。具体使用方法请参考本人即将更新的博客：https://blog.csdn.net/suiyingy/article/details/128086017。

mmdetection yolox-s TensorRT模型2060/2060s显卡可用

mmcv_full-1.5.3-cp37-cp37m-manylinux1_x86_64

mmdetection3d示例程序中预训练模型，用于测试和验证mmdetection3d是否安装成功，预训练模型为SECOND网络模型，数据集为KITTI数据集，模型名称为：hv_second_secfpn_6x8_80e_kitti-3d-car_20200620_230238-393f000c.pth。mmdetection3d详细的安装和测试验证过程请参考CSDN博客：https://blog.csdn.net/suiyingy/article/details/123477237。

本文会介绍如何在MMDetection中从头开始搭建一套属于自己的算法。作者会从宏观的角度重新梳理一下MMDetection的使用方法以及流程原理，

MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。 GitHub链接：https://github.com/open-mmlab/mmdetection。 Gitee链接：https://gitee.com/open-mmlab/mmdetection。 主分支代码目前支持 PyTorch 1.5 以上的版本。主要特性： 模块化设计 MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型 丰富的即插即用的算法和模型 MMDetection 支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。 速度快 基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当，包括 Detectron2, maskrcnn-benchm