CVPR2025 DEIM 目标检测模型训练教程：Windows 环境配置与数据集部署

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

__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！

四、使用 DEIM 训练自己的数据集

4.1 训练前先修改一下 train.py 训练脚本里的参数

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。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。

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，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。