PythonAI算法
CVPR2025 DEIM 目标检测模型训练教程：Windows 环境配置与数据集部署
CVPR2025 DEIM 目标检测模型在 Windows 系统下的完整训练流程。涵盖源码获取、Conda 虚拟环境配置、PyTorch 安装、VisDrone 数据集准备与配置文件修改、训练参数调整及 Windows 特有 Bug 修复方法。包含模型验证、推理测试及热力图生成步骤，适用于学术研究与实验分析。
CVPR2025 DEIM 目标检测模型在 Windows 系统下的完整训练流程。涵盖源码获取、Conda 虚拟环境配置、PyTorch 安装、VisDrone 数据集准备与配置文件修改、训练参数调整及 Windows 特有 Bug 修复方法。包含模型验证、推理测试及热力图生成步骤，适用于学术研究与实验分析。
DEIM 项目源码地址：
[CVPR 2025] DEIM: DETR with Improved Matching for Fast Convergence (GitHub)
conda create -n deim python=3.10
conda activate deim
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 nvidia
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
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
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
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:
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
__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。
第五步：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
第六步： 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！
""" 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 [, ] v })
cfg = YAMLConfig(args.config, **update_dict)
args.resume args.tuning:
cfg.yaml_cfg:
cfg.yaml_cfg[][] =
(, cfg.__dict__)
solver = TASKS[cfg.yaml_cfg[]](cfg)
args.test_only:
solver.val()
:
solver.fit()
dist_utils.cleanup()
__name__ == :
parser = argparse.ArgumentParser()
parser.add_argument(, , default=,=)
parser.add_argument(, , =, =)
parser.add_argument(, , =, =)
parser.add_argument(, , =, =,)
parser.add_argument(, default=,=, =)
parser.add_argument(, action=, =)
parser.add_argument(, =, =)
parser.add_argument(, =, =)
parser.add_argument(, action=, default=,)
parser.add_argument(, , nargs=, =)
parser.add_argument(, =, default=, =)
parser.add_argument(, =, default=, =)
parser.add_argument(, =, =)
args = parser.parse_args()
main(args)
Windows 系统上第一次训练，100% 会出现这个 bug 问题。解决方法如下：
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。
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。
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。
使用 predict.py 脚本
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。
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，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。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online