【CVPR2025 DEIM】超详细！手把手训练自己的数据集教学：从源码下载，配置虚拟环境，准备数据集、训练、验证、推理测试 ，实现0到1的完整教学过程。本文在win系统上训练，最强实时目标检测算法！
🔥DEIM创新改进目录：全新DEIM有效涨点改进目录 | 包含各种最新顶会顶刊：卷积模块、注意力模块、特征融合模块、有效特征聚合提取模块，上采样模块、下采样模块，二次创新模块、独家创新，特殊场景检测等最全大论文及小论文必备创新改进点
🔥全新DEIM创新改进专栏地址：全网独家DEIM创新改进高效涨点+永久更新中（至少500+创新改进🗡剑指小论文、大论文）+小白也能简单高效跑实验+容易发各种级别小论文
本文目录
第四步：直接复制以下所有命令到控制台“终端里面粘贴回车运行”
4.3 windows系统上第一次训练，需要解决这个源码bug！
一、下载CVPR2025 DEIM官方源码
DEIM项目源码地址：点击链接自动跳转!
[CVPR 2025] DEIM: DETR with Improved Matching for Fast Convergence
二、创新DEIM项目虚拟环境
如果有的小伙伴是Windows系统，订阅后可以私信怪导，可以直接将Windows系统的deim虚拟环境包发给你，自己按照pdf文件操作步骤几分钟搞定！
下方是自己创建DEIM虚拟环境的详细步骤：
第一步：创建一个自己的虚拟环境：
conda create -n deim python=3.10第二步：进入到自己的虚拟环境：
conda activate deim第三步：安装pytorch,建议不要安装太新版本
pytorch官网：Previous PyTorch Versions
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=12.1 -c pytorch -c n比如下面截图是我的deim虚拟环境pytorch和torchvision版本举例：
第四步：直接复制以下所有命令到控制台“终端里面粘贴回车运行”
安装所需要的包！
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnx==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime==1.15.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install pycocotools==2.0.7 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install faster-coco-eval==1.6.5 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install PyYAML -i https://pypi.tuna.tsinghua.edu.cn/simple pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scipy -i https://pypi.tuna.tsinghua.edu.cn/simple pip install calflops -i https://pypi.tuna.tsinghua.edu.cn/simple pip install transformers -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxsim==0.4.36 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime-gpu==1.18.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install timm==1.0.7 thop efficientnet_pytorch==0.7.1 einops grad-cam==1.4.8 dill==0.3.6 albumentations pytorch_wavelets==1.3.0 PyWavelets -i https://pypi.tuna.tsinghua.edu.cn/simple pip install -U openmim -i https://pypi.tuna.tsinghua.edu.cn/simple mim install mmengine -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mmcv==2.2.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.3/index.html
三、准备自己的数据集和配置自己数据集步骤
如果自己没有数据集，可以去这个官网上找公共数据集去练习：Roboflow Datasets
3.1 本文以训练Visdrone2019无人机数据集为例
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。
Visdrone2019-COCO格式数据集下载链接：https://aistudio.baidu.com/datasetdetail/226107/0
Visdrone2019-YOLO格式数据集下载链接：https://aistudio.baidu.com/datasetdetail/295374
3.2 将自己数据集放到datasets文件夹里
3.3 配置数据步骤
第一步：在DEIM/configs/dataset文件中创建visdrone_detection.yml文件
第二步：修改visdrone_detection.yml文件
完整visdrone_detection.yml文件的代码：
task: detection evaluator: type: CocoEvaluator iou_types: ['bbox', ] num_classes: 10 # your dataset classes remap_mscoco_category: False train_dataloader: type: DataLoader dataset: type: CocoDetection img_folder: C:/software/mydemo/Demo/DEIM/datasets/visdrone/train2017 ann_file: C:/software/mydemo/Demo/DEIM/datasets/visdrone/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: C:/software/mydemo/Demo/DEIM/datasets/visdrone/val2017 ann_file: C:/software/mydemo/Demo/DEIM/datasets/visdrone/annotations/instances_val2017.json return_masks: False transforms: type: Compose ops: ~ shuffle: False num_workers: 4 drop_last: False collate_fn: type: BatchImageCollateFunction 第三步：修改DEIM\configs\deim_dfine\dfine_hgnetv2_n_coco.yml文件
我们跑deim_hgnetv2_n_coco.yml为例子，所以我们就修改dfine_hgnetv2_n_coco.yml文件!
接下来只需要修改dfine_hgnetv2_n_coco.yml文件中的一行代码即可1
__include__: [ # '../dataset/coco_detection.yml', '../dataset/visdrone_detection.yml', '../runtime.yml', '../base/dataloader.yml', '../base/optimizer.yml', '../base/dfine_hgnetv2.yml', ]
第四步：修改deim_hgnetv2_n_coco.yml文件
当自己使用不同数据集训练，保存结果文件夹需要重新创建一下，否则第二次训练后的结果权重文件会覆盖第一次训练后的权重文件。
第四步：训练前，记得修改batch_size大小，根据自己设备显存大小去灵活设置。
修改configs/base/dataloader.yml中的total_batch_size
同时也修改DEIM\configs\deim_dfine\dfine_hgnetv2_n_coco.yml中的total_batch_size
第五步：修改DEIM\configs\runtime.yml文件中的参数,方便观察
checkpoint_freq: 1
到此为止，配置自己的数据集操作已经完成！
四、使用DEIM训练自己的数据集
4.1 训练前先修改一下train.py训练脚步里的参数
4.2 train.py脚本代码完整代码
""" DEIM: DETR with Improved Matching for Fast Convergence Copyright (c) 2024 The DEIM Authors. All Rights Reserved. --------------------------------------------------------------------------------- Modified from RT-DETR (https://github.com/lyuwenyu/RT-DETR) Copyright (c) 2023 lyuwenyu. All Rights Reserved. """ import os import sys os.environ["CUDA_VISIBLE_DEVICES"]= '0' import warnings warnings.filterwarnings('ignore') sys.path.insert(0, os.path.join(os.path.dirname(os.path.abspath(__file__)), '..')) import argparse from engine.misc import dist_utils from engine.core import YAMLConfig, yaml_utils from engine.solver import TASKS debug=False if debug: import torch def custom_repr(self): return f'{{Tensor:{tuple(self.shape)}}} {original_repr(self)}' original_repr = torch.Tensor.__repr__ torch.Tensor.__repr__ = custom_repr def main(args, ) -> None: """main """ dist_utils.setup_distributed(args.print_rank, args.print_method, seed=args.seed) assert not all([args.tuning, args.resume]), \ 'Only support from_scrach or resume or tuning at one time' update_dict = yaml_utils.parse_cli(args.update) update_dict.update({k: v for k, v in args.__dict__.items() \ if k not in ['update', ] and v is not None}) cfg = YAMLConfig(args.config, **update_dict) if args.resume or args.tuning: if 'HGNetv2' in cfg.yaml_cfg: cfg.yaml_cfg['HGNetv2']['pretrained'] = False print('cfg: ', cfg.__dict__) solver = TASKS[cfg.yaml_cfg['task']](cfg) if args.test_only: solver.val() else: solver.fit() dist_utils.cleanup() if __name__ == '__main__': parser = argparse.ArgumentParser() # priority 0 parser.add_argument('-c', '--config', default=r'C:\software\mydemo\Demo\DEIM\configs\deim_dfine\deim_hgnetv2_n_coco.yml',type=str) # parser.add_argument('-c', '--config', type=str, required=True) parser.add_argument('-r', '--resume', type=str, help='resume from checkpoint') parser.add_argument('-t', '--tuning', type=str, help='tuning from checkpoint') parser.add_argument('-d', '--device', type=str, help='device',) parser.add_argument('--seed', default=0,type=int, help='exp reproducibility') parser.add_argument('--use-amp', action='store_true', help='auto mixed precision training') parser.add_argument('--output-dir', type=str, help='output directoy') parser.add_argument('--summary-dir', type=str, help='tensorboard summry') parser.add_argument('--test-only', action='store_true', default=False,) # priority 1 parser.add_argument('-u', '--update', nargs='+', help='update yaml config') # env parser.add_argument('--print-method', type=str, default='builtin', help='print method') parser.add_argument('--print-rank', type=int, default=0, help='print rank id') parser.add_argument('--local-rank', type=int, help='local rank id') args = parser.parse_args() main(args) 4.3 windows系统上第一次训练，需要解决这个源码bug！
windows系统上第一次训练，100%会出现这个bug问题。怪导教你如何解决这个bug！
解决方法：修改这个文件DEIM\engine\backbone\hgnetv2.py
except Exception as e: print(f"{str(e)}") logging.error(RED + "CRITICAL WARNING: Failed to load pretrained HGNetV2 model" + RESET) logging.error(GREEN + f"Please manually download from {download_url} to {local_model_dir}" + RESET)到此，现在可以正常训练使用DEIM官方模型了，助力大家高效去发小论文、完成毕业大论文！
第一次运行，默认是加载预训练权重，所以需要下载。（建议大家自己离线下载比较快，或是等它自动在线下载完，在线下载慢一些），在此处演示我关闭了加载预训练权重变量。
五、验证自己的模型效果
使用val.py脚本
DEIM训练部分epoch，给大家演示一下使用val.py在验证集或是测试集上的效果。
六、推理测试自己的模型
使用predict.py脚本
七、DEIM模型生成论文实验热力图
使用DEIM生成热力图脚本.py生成热力图，论文实验部分增加可视化热力图分析，提高论文的质量，增加小论文录用率。
八、本文总结
本文详细介绍了CVPR2025 DEIM目标检测模型的完整使用流程。内容包含：1）源码下载与虚拟环境配置；2）Visdrone2019数据集准备与配置文件修改；3）训练参数设置及Windows系统常见问题解决方案；4）模型验证、推理测试及热力图生成方法。特别针对Windows用户也提供了本地虚拟环境配置，并详细说明了数据集路径设置、参数调整等关键步骤。通过本文的指导，小伙伴可以快速掌握DEIM模型的使用方法，用于学术论文研究和实验分析。
