1.数据集准备工作
通常会从create_data.py（或名字类似的自定义文件）开始，运行得到{train/val/test}_info.pkl文件，其中包含每一帧的文件路径、相关信息以及标注信息（部分数据集不提供测试集的标注，故测试集pkl文件可能不含标注信息）。
2.训练流程
通常会从train.py（或名字类似的自定义文件开始），根据配置文件进行数据集类和模型类的初始化，以及完成模型的训练。
下面依次介绍整个过程中会进行的、比较关键的部分。
2.1 数据集类（DATASET）的get_data_info方法
pkl文件中每一帧的数据信息均会通过DATASET.get_data_info方法，进行数据读取、增广和预处理的准备。该方法的输出字典会输入到第一个pipeline中。
2.2 pipelines（数据读取、增广与预处理）
第一个pipeline会接收来自DATASET.get_data_info方法的输出字典，然后输出更新后的字典会传递给下一个pipeline。最后一个pipeline（一般为Collect3D）的输出字典会经过一定的处理，将其中的项输入到检测器的forward函数中。
2.3 检测器类（DETECTOR）的forward方法
该部分的流程与使用pytorch编程的流程一致，只是可能会进一步进入到主干、颈部或检测头的forward函数以及检测头的get_loss函数中，嵌套调用比较复杂。
训练时，DETECTOR.forward函数的输出是各项损失的字典。MMDetection3D会自动进行反向传播更新模型权重。
3. 验证流程
若要在训练的同时进行验证，需要满足两个条件：一是配置文件中需要包含验证数据集的设置；二是在train.py文件的最后，train_model()函数的输入validate项需要为True。此外还可按需设置evaluation配置，例如：
evaluation = dict(interval=1, save_best='mAP_3d') # 保存3D AP最高的那个epoch对应的模型
# save_best需要是DATASET.evaluate的输出字典中的一个键，eval_hook会根据这个键含有的指标名称（如mAP或loss）保存这个键对应的值最高或最低（模型在验证集上最优）时候的模型
# 该项仅在work_flow包含'val'时有效
# 可增加DATASET.evaluate函数的参数验证时同样会经过DATASET.get_data_info方法、pipelines以及DETECTOR.forward函数，区别在于
- DATASET.get_data_info方法不会读取标注信息（因为test_mode为True）；
- pipelines无标注信息相关的处理；
- DETECTOR.forward函数的执行中，会进一步进入到主干、颈部或检测头的forward函数以及检测头的get_boxes函数，最终返回的是检测结果的字典。
在所有验证集数据上都进行预测以后，预测结果会进入到DATASET.evaluate方法。
3.1 数据集类（DATASET）的evaluate方法
该方法除检测结果外的输入均可以在配置文件中的evaluation项进行设置。
该方法输出评估结果并返回评估结果的字典。