MMCV/MMDetection 核心：Registry 注册器插件化完整解析
MM 系列（mmcv、mmdet、mmseg、mmcls 等）整套生态完全基于 Registry 实现插件化、模块化、可配置化，是整个框架最底层、最核心的解耦设计，实现「代码实现与配置文件解耦」，新增模型 / 数据集 / 损失无需修改框架主逻辑，仅注册即可通过 config 调用。
一、Registry 本质作用
全局字典容器：维护
{name: class/func}映射表；装饰器注册：用
@registry.register_module()把自定义类 / 函数存入容器；统一构建接口：
registry.build(cfg)读取配置字典，自动实例化对应模块；插件化核心：新增组件不用改工厂类、不用写大量 if-else 判断，完全开闭原则。
对比传统硬编码 vs Registry
传统写法（耦合难扩展）
def build_model(cfg): if cfg.type == "FasterRCNN": return FasterRCNN(cfg) elif cfg.type == "YOLO": return YOLO(cfg) # 每新增模型都要改此处，臃肿难维护Registry 写法（插件化）
# 统一入口，永远不用修改 def build_model(cfg): return MODELS.build(cfg)二、Registry 基础源码结构（mmcv/registry.py）
1. 核心类Registry
关键属性：
_name：注册器名称（如models、datasets、backbones、losses）_module_dict：核心存储字典{str: class}
关键方法：
register_module(name=None, force=False)：装饰器，注册类 / 函数get(name)：根据名字取出类build(cfg, *args, **kwargs)：配置驱动实例化模块__contains__、__iter__：支持判断、遍历已注册模块
2. 全局常用注册器（MMDetection 内置）
from mmcv.ops import Registry # 检测器主模型 MODELS = Registry('models') # 骨干网络 BACKBONES = Registry('backbone') # 颈部网络（FPN、PAFPN） NECKS = Registry('neck') # 检测头（RPN、RoIHead、YOLOHead） HEADS = Registry('head') # 损失函数 LOSSES = Registry('loss') # 数据集 DATASETS = Registry('dataset') # 数据增强流水线 PIPELINES = Registry('pipeline') # 优化器 OPTIMIZERS = Registry('optimizer') # 学习率调度器 LR_SCHEDULERS = Registry('lr_scheduler')三、完整使用流程：注册 → 构建 → config 调用
步骤 1：定义 Registry 容器
from mmcv import Registry # 创建骨干网络注册器 BACKBONES = Registry("backbone")步骤 2：装饰器注册自定义模块（两种写法）
方式 1：默认以类名小写注册
@BACKBONES.register_module() class ResNet: def __init__(self, depth): self.depth = depth等价注册 key：resnet
方式 2：自定义注册名称（多别名、重名覆盖）
@BACKBONES.register_module(name="MyResNet", force=True) class ResNet: pass配置中type="MyResNet"即可调用
函数也可注册（loss、aug 常用）
@LOSSES.register_module() def l1_loss(pred, target): return abs(pred - target).mean()步骤 3：通过 Registry.build () 基于配置实例化
config 本质是字典，约定 **type字段对应注册名 **，其余字段为构造参数：
cfg = dict( type="ResNet", depth=50 ) # 自动查找 ResNet 类并实例化 backbone = BACKBONES.build(cfg) print(backbone.depth) # 50步骤 4：嵌套构建（MMDet 最常用，多层 Registry 嵌套）
检测模型由 backbone + neck + head 组成，嵌套 cfg 自动递归构建：
model_cfg = dict( type="FasterRCNN", backbone=dict(type="ResNet", depth=50), neck=dict(type="FPN", in_channels=[256,512,1024]), rpn_head=dict(type="RPNHead", num_anchors=3) ) model = MODELS.build(model_cfg)build内部会递归解析子 dict，调用对应子 Registry 构建子模块。
四、Registry.build 底层执行逻辑
简化源码流程：
def build(self, cfg, *args, **kwargs): # 1. 深拷贝 cfg，防止修改原配置 cfg = cfg.copy() # 2. 取出 type 字段，对应注册名称 module_type = cfg.pop("type") # 3. 从注册表获取对应类 module_cls = self.get(module_type) # 4. 递归构建内部子模块（dict/list 自动 build） for key, val in cfg.items(): if isinstance(val, dict) and "type" in val: cfg[key] = build_from_cfg(val, self) elif isinstance(val, list): cfg[key] = [build_from_cfg(v, self) if isinstance(v, dict) and "type" in v else v for v in val] # 5. 实例化并返回 return module_cls(*args, **cfg, **kwargs)核心函数：build_from_cfg(cfg, registry)，全局统一构建入口。
MMCV Registry 在 BEV 感知（PETR）中的分层落地与完整应用
BEVFormer、PETR 均基于MMDetection3D + MMCV Registry实现全链路插件化，针对多视图 BEV 复杂 Transformer 架构做了多层级细分注册器，把 2D 图像支路、视图变换、BEV 编码器、时序注意力、3D 检测头、位置编码全部解耦；仅修改 config 即可替换任意模块，是自动驾驶 BEV 工程化的核心基础。
一、BEV 感知专属分层注册器体系（MMDet3D 扩展）
MMDet3D 在原生 MMCV 注册器基础上，新增大量 BEV/Transformer 专用注册表，按网络层级隔离命名空间，避免模块重名冲突：
1. 顶层全局注册表（继承 MMCV 原生）
# mmdet3d/registry.py from mmcv import Registry # 总模型容器（所有检测器、BEV主干、Transformer、Head都归属MODELS） MODELS = Registry('models') # 数据集、数据增强流水线（多相机图像预处理、标定解码） DATASETS = Registry('dataset') PIPELINES = Registry('pipeline') # 损失（3D分类、3D框回归、深度损失、Occupancy占用损失） LOSSES = Registry('loss') # 优化器、学习率调度 OPTIMIZERS = Registry('optimizer') LR_SCHEDULERS = Registry('lr_scheduler')二、Registry 在 BEV 算法中解决的三大工程痛点
1. 模块化消融实验（工业 BEV 迭代刚需）
仅修改 config 的type字段，无需改动一行代码，快速对比不同组件：
骨干网络：
type=ResNet/type=Swin/type=ConvNeXt视图变换：
LSSViewTransform/PETRViewTransform/BEVFormerSamplingTransformer 层：
BEVFormerLayer（时序）/PETRLayer（纯空间）位置编码：2D 平面编码 / 3D 栅格编码 / 相机光线编码
2. 多任务分支统一扩展（检测 / 分割 / 占用预测）
同一套注册体系兼容多任务头：
# 3D检测头 pts_bbox_head=dict(type='BEVFormerHead') # 占用预测头（Occ） occ_head=dict(type='BEVFormerOccHead') # 道路分割头 seg_head=dict(type='BEVSegHead')全部注册至HEADS注册表，主检测器通过 cfg 按需构建分支。
3. 自定义插件零侵入框架（自动驾驶定制化开发）
新增自研 BEV 模块仅两步，不修改 mmdet3d 底层代码：
编写自定义类，用对应注册器装饰；
config 添加
custom_imports自动导入触发注册。
实战示例：自定义轻量化 BEV 注意力层
# custom_bev_layer.py from mmdet3d.registry import TRANSFORMER_LAYERS # 注册到Transformer单层注册表 @TRANSFORMER_LAYERS.register_module(name='LightBEVLayer') class LightBEVLayer(BaseTransformerLayer): """自研轻量化可变形注意力""" def forward(self, bev_feat, query_embed, ...): passconfig 导入生效：
custom_imports = dict( imports=['projects.custom.custom_bev_layer'], allow_failed_imports=False ) # 直接替换原有BEVFormerLayer transformer.encoder.layers=[dict(type='LightBEVLayer')]
