首先，截至目前 MMDection 已经复现了深度学习时代目标检测相关的 57 篇经典论文，包括 SSD，RetinaNet, Faster R-CNN, Mask R-CNN, Cascade R-CNN, HTC 等等。题主可以按照论文发表的时间顺序将 MMDetection model zoo 中支持的算法以及论文都阅读一遍。在阅读论文的同时，可以同时尝试用 MMDetection 跑一跑该算法。
第二步，在通读系列论文以后，可以开始阅读一些经典论文的代码，例如 RetinaNet, Faster R-CNN, Mask R-CNN 等。可以重点关注 MMDetection 中 mmdet.core 中的 bbox assigner 和 sampler，以及这些方法在 mmdet.models.dense_heads, mmdet.models.roi_heads 中的对应模块。工业界目前使用的检测器大多都是基于这些经典方法的调优，但一些核心逻辑和概念是一致的，例如 NMS，IoU，FPN，Anchor 的生成，Anchor/Box 和 GT 框的匹配，RoI 的提取，FPN 等。
第三步，如果题主还想继续深入了解当前目标检测的现状，可以参考 MMDetection 的 project 页面https://mmdetection.readthedocs.io/en/latest/projects.html，目前有很多学术界的前沿方法都是基于 MMDetection 来开发的，例如单阶段的实例分割算法 SOLO 和 PolarMask。题主同样可以体验边读论文，边跑算法的乐趣。
第四步，MMDetection 还提供了一个 colab tutorial https://github.com/open-mmlab/mmdetection/blob/master/demo/MMDet_Tutorial.ipynb。样例展示了使用 MMDetection model zoo 中的模型进行推理，并在新的数据集上进行微调的全过程。题主可以在尝试这个 colab tutorial 之后，尝试将模型应用于自己的数据集，并尝试调节一些模型的超参数来提高模型在数据集上的性能。
第五步，如果题主感兴趣的话还可以参与到 MMDetection 的开