CVPR2025 DEIM 目标检测模型实战：从环境配置到训练推理全流程

3. 主配置文件关联

修改 DEIM/configs/deim_dfine/dfine_hgnetv2_n_coco.yml，将数据集引用指向刚才创建的 visdrone 配置：

__include__: [
  # '../dataset/coco_detection.yml',
  '../dataset/visdrone_detection.yml',
  '../runtime.yml',
  '../base/dataloader.yml',
  '../base/optimizer.yml',
  '../base/dfine_hgnetv2.yml',
]

4. 参数调整

• 保存路径：不同数据集建议创建新的结果文件夹，避免权重覆盖。
• Batch Size：根据显存大小调整 configs/base/dataloader.yml 中的 total_batch_size，同时同步修改主配置文件中的对应项。
• Checkpoint 频率：修改 configs/runtime.yml，设置 checkpoint_freq: 1 以便每个 epoch 保存一次。

四、模型训练

1. 脚本参数

编辑 train.py，主要关注设备指定和种子设置。默认会加载预训练权重，若需从头训练可关闭相关变量。

核心代码逻辑如下：

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

def main(args):
    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
    
    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()
    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('-r', '--resume', type=str, help='resume from checkpoint')
    parser.add_argument('-t', '--tuning', type=str, help='tuning from checkpoint')
    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('--test-only', action='store_true', default=False,)
    args = parser.parse_args()
    main(args)

2. Windows 常见 Bug 修复

首次运行 Windows 系统时，可能会遇到 HGNetV2 预训练权重加载失败的问题。错误日志通常会提示无法下载或加载模型。

解决方法：修改文件 DEIM/engine/backbone/hgnetv2.py，捕获异常并打印更友好的提示信息，或者手动下载权重文件放置到指定目录。关键代码如下：

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)

五、验证与推理

1. 模型验证

使用 val.py 脚本在验证集上评估指标。确保配置文件中的路径正确指向验证集数据。

2. 推理测试

使用 predict.py 脚本对单张图片或视频流进行实时检测。输入图片路径和模型权重路径即可生成检测结果图。

3. 热力图可视化

为了论文实验分析，可使用生成的热力图脚本查看模型关注区域。这有助于理解特征提取过程，提升论文质量。

六、总结

本文梳理了 DEIM 模型从环境搭建到最终推理的完整链路。重点解决了 Windows 下的依赖冲突和权重加载问题，并提供了可视化的配置修改指南。按照上述步骤操作，可快速复现实验效果并进行后续改进。