Wir präsentieren den Self-Ensembling Single-Stage Object Detector (SE-SSD) für genaue und effiziente 3D-Objekterkennung in Outdoor-Punktwolken. Unser Hauptaugenmerk liegt auf der Nutzung sowohl weicher als auch harter Ziele mit unseren formulierten Restriktionen, um das Modell gemeinsam zu optimieren, ohne zusätzliche Berechnungen während der Inferenz einzuführen. Insbesondere enthält SE-SSD ein Paar aus Lehrer- und Schüler-SSDs, wobei wir eine effektive IoU-basierte Zuordnungsstrategie entwickelt haben, um weiche Ziele vom Lehrer zu filtern und einen Konsistenzverlust zu formulieren, um die Vorhersagen des Schülers mit ihnen auszurichten. Darüber hinaus, um das distillierte Wissen für die Kombination des Lehrers maximal zu nutzen, haben wir ein neues Augmentationsverfahren entwickelt, das formbewusste augmentierte Stichproben erzeugt, um den Schüler zu trainieren. Das Ziel ist es, ihn dazu anzuregen, vollständige Objektformen abzuleiten. Schließlich, um harte Ziele besser auszuwerten, haben wir einen ODIoU-Verlust entwickelt, um den Schüler unter Berücksichtigung der vorhergesagten Box-Mittelpunkte und -Orientierungen zu überwachen. Unser SE-SSD erreicht Spitzenleistungen im Vergleich zu allen bisher veröffentlichten Arbeiten. Zudem erzielt es Spitzenpräzisionen bei der Erkennung von Autos im KITTI-Benchmark (rangiert 1. und 2. auf den BEV- und 3D-Ranglisten) mit einer ultrahohen Inferenzgeschwindigkeit. Der Code ist unter https://github.com/Vegeta2020/SE-SSD verfügbar.