主要内容
一、论文解析 二、基于 DEIM-D-FINE-S 训练 VisDrone2019 无人机数据集
服务器：NVIDIA RTX4090 24G 运行环境：Python=3.8（要求>=3.8），torch2.3.1+cu121（要求>=2.0.1） Visdrone2019-COCO 格式数据集下载链接：https://aistudio.baidu.com/datasetdetail/226107/0 Visdrone-YOLO 格式数据集下载链接：https://aistudio.baidu.com/datasetdetail/295374
arXiv: https://arxiv.org/abs/2412.04234 Project webpage: https://www.shihuahuang.cn/DEIM/ GitHub: https://github.com/ShihuaHuang95/DEIM
训练和使用结果： （1）map50 高于 YOLOv8 将近 6 个点达 47%，训练显存占用较大，batchsize 为 8 需要 20G，训练速度比 YOLOv8 慢一倍，12 小时左右； （2）onnx 推理速度要慢于 YOLOv8，需要 9-10ms； （3）检出率比较高，但是误检和同一个目标出现两个重叠框但不同类别现象较多。
一、论文解析
DEIM（DETR with Improved Matching for Fast Convergence）是一篇关于加速基于 Transformer 架构（DETR）的实时目标检测的训练框架的论文。以下是该论文的详细解析：
1 研究背景
目标检测是计算机视觉中的一个基本任务，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（O2O）匹配，消除了对手工设计的非极大值抑制（NMS）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（O2O）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。
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。
