diff --git a/configs/pose3d/README.md b/configs/pose3d/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..b5da08f1cf8c450f278bbb62f15ae6a854b3a9fc
--- /dev/null
+++ b/configs/pose3d/README.md
@@ -0,0 +1,156 @@
+简体中文
+
+  <div align="center">
+    <img src="https://user-images.githubusercontent.com/31800336/219260054-ba3766b1-8223-42bf-b69b-7092019995cc.jpg" width='600'/>
+  </div>
+
+# 3D Pose系列模型
+
+## 目录
+
+- [简介](#简介)
+- [模型推荐](#模型推荐)
+- [快速开始](#快速开始)
+  - [环境安装](#1环境安装)
+  - [数据准备](#2数据准备)
+  - [训练与测试](#3训练与测试)
+    - [单卡训练](#单卡训练)
+    - [多卡训练](#多卡训练)
+    - [模型评估](#模型评估)
+    - [模型预测](#模型预测)
+  - [使用说明](#4使用说明)
+
+## 简介
+
+PaddleDetection 中提供了两种3D Pose算法（稀疏关键点），分别是适用于服务器端的大模型Metro3D和移动端的TinyPose3D。其中Metro3D基于[End-to-End Human Pose and Mesh Reconstruction with Transformers](https://arxiv.org/abs/2012.09760)进行了稀疏化改造，TinyPose3D是在TinyPose基础上修改输出3D关键点。
+
+## 模型推荐（待补充）
+
+|模型|适用场景|human3.6m精度|模型下载|
+|:--:|:--:|:--:|:--:|
+|Metro3D|服务器端|-|-|
+|TinyPose3D|移动端|-|-|
+
+注：
+1. 训练数据基于 [MeshTransfomer](https://github.com/microsoft/MeshTransformer) 中的训练数据。
+2. 测试精度同 MeshTransfomer 采用 14 关键点测试。
+
+## 快速开始
+
+### 1、环境安装
+
+​    请参考PaddleDetection [安装文档](../../docs/tutorials/INSTALL_cn.md)正确安装PaddlePaddle和PaddleDetection即可。
+
+### 2、数据准备
+
+  我们的训练数据由coco、human3.6m、hr-lspet、posetrack3d、mpii组成。
+
+​  2.1 我们的训练数据下载地址为：
+
+  [coco](https://bj.bcebos.com/v1/paddledet/data/coco.tar)
+
+  [human3.6m](https://bj.bcebos.com/v1/paddledet/data/pose3d/human3.6m.tar.gz)
+
+  [lspet+posetrack+mpii](https://bj.bcebos.com/v1/paddledet/data/pose3d/pose3d_others.tar.gz)
+
+  [标注文件下载](https://bj.bcebos.com/v1/paddledet/data/pose3d/pose3d.tar.gz)
+
+  2.2 数据下载后按如下结构放在repo目录下
+
+```
+${REPO_DIR}  
+|-- dataset  
+|   |-- traindata
+|       |-- coco
+|       |-- hr-lspet
+|       |-- human3.6m
+|       |-- mpii
+|       |-- posetrack3d
+|       \-- pose3d
+|           |-- COCO2014-All-ver01.json
+|           |-- COCO2014-Part-ver01.json
+|           |-- COCO2014-Val-ver10.json
+|           |-- Human3.6m_train.json
+|           |-- Human3.6m_valid.json
+|           |-- LSPet_train_ver10.json
+|           |-- LSPet_test_ver10.json
+|           |-- MPII_ver01.json
+|           |-- PoseTrack_ver01.json
+|-- ppdet
+|-- deploy
+|-- demo
+|-- README_cn.md
+|-- README_en.md
+|-- ...
+```
+
+
+### 3、训练与测试
+
+#### 单卡训练
+
+```shell
+#单卡训练
+CUDA_VISIBLE_DEVICES=0 python3 tools/train.py -c configs/pose3d/metro3d_24kpts.yml
+
+#多卡训练
+CUDA_VISIBLE_DEVICES=0,1,2,3 python3 -m paddle.distributed.launch tools/train.py -c configs/pose3d/metro3d_24kpts.yml
+```
+
+#### 模型评估
+
+```shell
+#单卡评估
+CUDA_VISIBLE_DEVICES=0 python3 tools/eval.py -c configs/pose3d/metro3d_24kpts.yml -o weights=output/metro3d_24kpts/best_model.pdparams
+
+#当只需要保存评估预测的结果时，可以通过设置save_prediction_only参数实现，评估预测结果默认保存在output/keypoints_results.json文件中
+CUDA_VISIBLE_DEVICES=0 python3 tools/eval.py -c configs/pose3d/metro3d_24kpts.yml -o weights=output/metro3d_24kpts/best_model.pdparams --save_prediction_only
+
+#多卡评估
+CUDA_VISIBLE_DEVICES=0,1,2,3 python3 -m paddle.distributed.launch tools/eval.py -c configs/pose3d/metro3d_24kpts.yml -o weights=output/metro3d_24kpts/best_model.pdparams
+```
+
+#### 模型预测
+
+```shell
+#图片生成3视角图
+CUDA_VISIBLE_DEVICES=0 python3 tools/infer.py -c configs/pose3d/metro3d_24kpts.yml -o weights=./output/metro3d_24kpts/best_model.pdparams --infer_img=./demo/hrnet_demo.jpg --draw_threshold=0.5
+```
+
+### 4、使用说明
+
+  3D Pose在使用中相比2D Pose有更多的困难，该困难主要是由于以下两个原因导致的。
+
+  - 1）训练数据标注成本高；
+
+  - 2）图像在深度信息上的模糊性；
+
+  由于（1）的原因训练数据往往只能覆盖少量动作，导致模型泛化性困难。由于（2）的原因图像在预测3D Pose坐标时深度z轴上误差通常大于x、y方向，容易导致时序间的较大抖动，且数据标注误差越大该问题表现的更加明显。
+
+  要解决上述两个问题，就造成了两个矛盾的需求：1）提高泛化性需要更多的标注数据；2）降低预测误差需要高精度的数据标注。而3D Pose本身数据标注的困难导致越高精度的标注成本越高，标注数量则会相应降低。
+
+  因此，我们提供的解决方案是：
+
+  - 1）使用自动拟合标注方法自动产生大量低精度的数据。训练第一版模型，使其具有较普遍的泛化性。
+
+  - 2）标注少量目标动作的高精度数据，基于第一版模型finetune，得到目标动作上的高精度模型，且一定程度上继承了第一版模型的泛化性。
+
+  我们的训练数据提供了大量的低精度自动生成式的数据，用户可以在此数据训练的基础上，标注自己高精度的目标动作数据进行finetune，即可得到相对稳定较好的模型。
+
+  我们在医疗康复高精度数据上的训练效果展示如下
+
+  <div align="center">
+    <img src="https://user-images.githubusercontent.com/31800336/218949226-22e6ab25-facb-4cc6-8eca-38d4bfd973e5.mp4" width='600'/>
+  </div>
+
+
+## 引用
+
+```
+@inproceedings{lin2021end-to-end,
+author = {Lin, Kevin and Wang, Lijuan and Liu, Zicheng},
+title = {End-to-End Human Pose and Mesh Reconstruction with Transformers},
+booktitle = {CVPR},
+year = {2021},
+}
+```
diff --git a/configs/keypoint/tiny_pose/tinypose3d_medical_multi_frames.yml b/configs/pose3d/tinypose3d_medical_multi_frames.yml
similarity index 100%
rename from configs/keypoint/tiny_pose/tinypose3d_medical_multi_frames.yml
rename to configs/pose3d/tinypose3d_medical_multi_frames.yml
diff --git a/configs/keypoint/tiny_pose/tinypose3d_multi_frames_heatmap.yml b/configs/pose3d/tinypose3d_multi_frames_heatmap.yml
similarity index 100%
rename from configs/keypoint/tiny_pose/tinypose3d_multi_frames_heatmap.yml
rename to configs/pose3d/tinypose3d_multi_frames_heatmap.yml