Nous présentons le détecteur d'objets à une seule étape auto-assemblé (Self-Ensembling Single-Stage object Detector, SE-SSD) pour une détection 3D précise et efficace des objets dans les nuages de points extérieurs. Notre attention se concentre sur l'exploitation simultanée des cibles douces et dures grâce à nos contraintes formulées, sans introduire de calculs supplémentaires lors de l'inférence. Plus précisément, SE-SSD comprend un couple de modèles SSD enseignant et étudiant, dans lequel nous avons conçu une stratégie de correspondance basée sur l'IoU (Intersection over Union) efficace pour filtrer les cibles douces provenant du modèle enseignant et formuler une perte de cohérence pour aligner les prédictions du modèle étudiant avec celles-ci. De plus, pour maximiser la connaissance distillée utilisée pour asseoir le modèle enseignant, nous avons élaboré un nouveau schéma d'augmentation visant à produire des échantillons augmentés sensibles à la forme afin d'entraîner le modèle étudiant, dans l'optique de l'inciter à inférer des formes d'objets complètes. Enfin, pour exploiter au mieux les cibles dures, nous avons conçu une perte ODIoU (Orientation and Distance IoU) pour superviser le modèle étudiant avec des contraintes sur les centres et orientations des boîtes prédites. Notre SE-SSD atteint des performances supérieures par rapport à toutes les œuvres précédemment publiées. Il obtient également les meilleures précisions pour la détection de voitures dans le benchmark KITTI (classé 1er et 2e respectivement sur les classements BEV et 3D) avec une vitesse d'inférence ultra élevée. Le code est disponible à l'adresse suivante : https://github.com/Vegeta2020/SE-SSD.