DEIM 实时目标检测算法及 Visdrone2019 数据集实战

DEIM 实时目标检测算法及 Visdrone2019 数据集实战 | 极客日志

DEIM 实时目标检测算法及 Visdrone2019 数据集实战

一、论文解析

1. 研究背景

目标检测是计算机视觉中的基本任务，广泛应用于自动驾驶、机器人导航等领域。实时目标检测要求模型不仅能精准检测目标，还要以极低的延迟运行。DETR（Detection Transformer）是一种基于 Transformer 的端到端目标检测框架，通过使用匈牙利算法进行一对一匹配，消除了对手工设计的非极大值抑制的需求，但其收敛速度慢成为一大挑战。

2. 研究问题

DETR 模型在训练过程中存在慢收敛的问题，主要原因是其一对一匹配机制导致正样本数量稀少，且存在大量低质量匹配。这限制了模型的有效学习，尤其是对小目标的检测。

3. 解决方案

为了解决上述问题，DEIM 提出了以下两个主要策略：

密集 O2O 匹配（Dense O2O）：通过增加每张图像中的目标数量，生成更多的正样本，从而提供更密集的监督信号，加速模型收敛。这可以通过经典的数据增强技术（如马赛克和混合）轻松实现，这些技术在保持一对一匹配框架的同时，每张图像生成额外的正样本。

匹配感知损失（MAL, Matchability-Aware Loss）：一种新的损失函数，优化不同质量级别的匹配，特别是低质量匹配，提升模型性能。MAL 通过将匹配查询与目标之间的 IoU（交并比）与分类置信度结合，根据匹配质量调整惩罚。相比传统的 Varifocal Loss（VFL），MAL 在处理低质量匹配时更有效，特别是在训练的早期阶段。

DEIM 架构示意图

4. 实验验证

在 COCO 数据集上的实验表明，DEIM 显著加速了 DETR 模型的收敛，减少了 50% 的训练时间，同时提升了检测精度。与现有的实时检测器（如 YOLO 系列和 RT-DETR）相比，DEIM 在性能和训练效率上均表现出色，尤其是在小目标检测方面有显著提升。

当与 RT-DETR 和 D-FINE 集成时，DEIM 在减少训练时间的同时提高了性能。特别是与 RT-DETRv2 集成时，DEIM 在 NVIDIA 4090 GPU 上单天训练就达到了 53.2% 的平均精度（AP）。

DEIM 性能对比图

DEIM 训练的实时模型在没有额外数据的情况下，超越了领先的实时目标检测器。例如，DEIM-D-FINE-L 和 DEIM-D-FINE-X 在 NVIDIA T4 GPU 上分别以 124 FPS 和 78 FPS 的速度达到了 54.7% 和 56.5% 的 AP。

DEIM 速度对比图

DEIM 精度对比图

5. 结论

DEIM 通过密集 O2O 匹配和匹配感知损失，有效解决了 DETR 模型的慢收敛问题，提升了实时目标检测的性能，为该领域设定了新的基准。DEIM 通过增加正样本数量和优化低质量匹配，显著提升了 DETR 模型的训练效率和检测性能。

二、基于 DEIM-D-FINE-S 训练 Visdrone2019 无人机数据集

1. 环境安装

硬件要求：NVIDIA RTX4090 24G

软件环境：Python >= 3.8，torch >= 2.0.1（推荐 2.3.1 + cu121）

步骤 1：创建环境

conda create -n deim python=3.8.13

步骤 2：安装 torch

# CUDA 11.8
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=11.8 -c pytorch -c nvidia
# CUDA 12.1
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=12.1 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 cpuonly -c pytorch

步骤 3：安装其他依赖 注意：calflops 安装或训练报错可见文末尾。

conda activate deim
pip install -r requirements.txt

2. Visdrone2019 数据集准备

2.1 简介

VisDrone 数据集是由天津大学等团队开源的一个大型无人机视角的数据集，官方提供的数据中训练集是 6471、验证集是 548、测试集 1610 张。数据集共提供了以下 12 个类，分别是：'忽略区域', 'pedestrian', 'people', 'bicycle', 'car', 'van','truck', 'tricycle', 'awning-tricycle', 'bus', 'motor', 'others'，其中忽略区域、others 是非有效目标区域，本项目中予以忽略，只使用'pedestrian', 'people', 'bicycle', 'car', 'van','truck', 'tricycle', 'awning-tricycle', 'bus', 'motor' 10 个类。

2.2 数据集制作

直接下载已处理好的 coco 格式的 Visdrone2019 数据集进行训练，同时注意该数据集图片命名已改变，但其他无影响。

3. 配置文件修改

3.1 数据集配置文件修改

新建 DEIM-main/configs/dataset/custom_xulvisdrone.yml 文件，内容如下：注意修改项：类别 num_classes、训练集图像路径 img_folder、训练集 coco 标签 ann_file、验证集图像路径 img_folder、验证集 coco 标签 ann_file 四项。另外，验证测试集精度修改验证集图像路径 img_folder、验证集 coco 标签 ann_file 两项即可。

task: detection
evaluator:
  type: CocoEvaluator
  iou_types: ['bbox',]
num_classes: 10
remap_mscoco_category: False
train_dataloader:
  type: DataLoader
  dataset:
    type: CocoDetection
    img_folder: DEIM-main/visdrone2019_coco/train2017
    ann_file: DEIM-main/visdrone2019_coco/annotations/instances_train2017.json
  return_masks: False
  transforms:
    type: Compose
    ops: ~
    shuffle: True
    num_workers: 4
    drop_last: True
    collate_fn:
      type: BatchImageCollateFunction
val_dataloader:
  type: DataLoader
  dataset:
    type: CocoDetection
    img_folder: DEIM-main/visdrone2019_coco/val2017
    ann_file: DEIM-main/visdrone2019_coco/annotations/instances_val2017.json
  return_masks: False
  transforms:
    type: Compose
    ops:

3.2 训练过程配置参数修改

这边训练 configs/deim_dfine/deim_hgnetv2_s_coco.yml，它是层层调用其他配置文件，优先采用 configs/deim_dfine/dfine_hgnetv2_s_coco.yml 和 configs/base/deim.yml 内容。

所有具体步骤如下：【默认 640 训练只需修改步骤二和步骤四】

步骤一：保存路径 + epoch 设置 configs/deim_dfine/deim_hgnetv2_s_coco.yml 修改 epoch 和保存路径等参数，默认 132 epoch。

步骤二：设置自定义数据集 configs/deim_dfine/dfine_hgnetv2_s_coco.yml 修改自定义数据集文件调用。

步骤三：训练尺寸 configs/base/deim.yml 修改训练尺寸，默认 640，Mosaic 尺寸设置【切成 4 块】。

步骤四：batch_size 设置 configs/base/dataloader.yml 修改 total_batch_size【由原先 32 改为 8】，640*640 大概需要 20G 显存。

4. 模型训练

这里仅训练 deim_dfine-s 模型，模型输入尺寸 640*640，训练 132 轮，且利用官网 coco 预训练权重进行微调！

训练命令如下：

# deim_dfine_hgnetv2_s_coco_120e.pth 为 coco 预训练权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --use-amp --seed=0 -t deim_dfine_hgnetv2_s_coco_120e.pth

训练中，可利用 tensorboard --logdir=outputs/deim_hgnetv2_s_coco/summary 终端运行可视化训练过程，summary 中包含一个 events.out.tfevents.xxx 文件。将下面的网页用谷歌浏览器打开，如果没有内容大概率是路径错误。

可视化结果如下：

5. 模型验证

对数据集进行验证的命令依然是 train.py，启用--test-only 参数仅验证不训练。 验证的命令如下：

# best_stg2.pth 为训练 132 轮最佳 map50:95 的精度权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --test-only -r outputs/deim_hgnetv2_s_coco/best_stg2.pth

5.1 maxDets=100 验证

Visdrone 数据集验证结果如下【maxDets=100】，map50=0.474。 Visdrone 数据集测试集结果如下【maxDets=100】，map50=0.396。

5.2 maxDets=300 验证

maxDets：该指标的意思是分别保留测试集的每张图上置信度排名第 1、前 10、前 100 个预测框，根据这些预测框和真实框进行比对，来计算 AP、AR 等值。但是，在 WidePerson 等密集目标数据集中，尽管绝大部分图片中目标的数量在 100 以内，但却存在某些图片中包含近 200 个目标，那么我们再使用 maxDets=100 就不符合要求了，因此改成 300 进行验证测试。修改：前往环境中 faster_coco_eval 依赖包进行修改，改一行即可： anaconda3/envs/yolov7/lib/python3.8/site-packages/faster_coco_eval/core/cocoeval.py

Visdrone 数据集验证结果如下【maxDets=300】，map50=0.475。 Visdrone 数据集测试集结果如下【maxDets=300】，map50=0.397。

6. 模型测试

测试的命令如下：

python tools/inference/torch_inf.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml -r outputs/deim_hgnetv2_s_coco/best_stg2.pth --input visdrone2019_coco/images/test/0000006_00159_d_0000001.jpg --device cuda:0

注意：原代码不带类别，只有索引，可自己在绘图时自行加入！结果可视化如下，置信度阈值 0.4。

7. onnx 推理与可视化

注意：需安装 onnx 和 onnxruntime 等.

pip install onnx==1.14.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime-gpu==1.18.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

7.1 导出 onnx

python tools/deployment/export_onnx.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml -r outputs/deim_hgnetv2_s_coco/best_stg2.pth

利用 netron 打开，显示如下。

7.2 运行官方的 onnx 推理脚本

注意：结果与 pth 存在偏差，可能是预处理影响。

python tools/inference/onnx_inf.py --onnx outputs/deim_hgnetv2_s_coco/best_stg2.onnx --input visdrone2019_coco/images/test/0000006_00159_d_0000001.jpg

可视化如下：onnx（左）、pth（右）。

7.3 运行自定义 onnx 推理脚本

注意：该脚本无 torch，只包含 numpy、opencv 和 onnxruntime 三个依赖。推理速度如下。

8. 与 YOLOv8/YOLOv11 结果比较

Visdrone2019 实验结果对比如下。

9. 报错信息

报错 1：RuntimeError: CUDA error: device-side assert triggered 原因：数据集配置有误，导致类别 id 与 yaml 文件中的索引号匹配不上导致的，这边自定义数据集要求 ID 索引从 0 开始，如 10 个类，则对应 0-9。

报错 2：Could not load library 2 libcudnn cnn train.so.8. Error. /usr/local/cuda-12.1/lib64/ibcudnn cnn train.so.8: undefined symbol 原因：安装 calflops 会携带装 nvidia-cudnn-cu12，而环境 nvidia-cudnn-cu12 容易与系统的 cudnn 冲突导致报错。所以要么把系统里面的 cudnn 去掉 (不推荐，如果部署其他的如 Tensor t 时会出现问题，反而更麻烦)。要么把虚拟环境中的 cudnn 去掉 (推荐)，如 pip uninstall nvidia-cudnn-cu12。

报错 3：ModuleNotFoundError: No module named 'calflops' 原因：与报错 2 冲突，因此我们将 engine/misc/profiler_utils.py 相关内容注释，该 calflops 仅计算 FLOPs 等功能。

参考资料： arXiv: https://arxiv.org/abs/2412.04234 Project webpage: https://www.shihuahuang.cn/DEIM/ GitHub: https://github.com/ShihuaHuang95/DEIM

DEIM 实时目标检测算法及 Visdrone2019 数据集实战