DETA：重新定义Transformer检测器的高效与精准

DETA：重新定义Transformer检测器的高效与精准

DETA Detection Transformers with Assignment 项目地址: https://gitcode.com/gh_mirrors/de/DETA

项目介绍

DETA（Detection Transformers with Assignment）** 是由 Jeffrey Ouyang-Zhang、Jang Hyun Cho、Xingyi Zhou 和 Philipp Krähenbühl 共同开发的开源项目。该项目基于论文 NMS Strikes Back，旨在通过重新引入IoU分配和NMS（非极大值抑制）来优化基于Transformer的检测器。DETA不仅在训练和测试速度上与Deformable-DETR相当，而且在COCO数据集上仅需12个epoch就能达到50.2 mAP的高精度，显著提升了模型的收敛速度。

项目技术分析

DETA的核心创新在于其独特的IoU分配机制和NMS的应用。传统的DETR模型采用一对一的二分匹配，而DETA则引入了多对一的IoU分配，从而在保持高精度的同时，大幅提升了训练效率。具体来说，DETA在COCO数据集上的表现如下：

• DETA（12 epochs）：50.1 mAP，总训练时间16.3 GPU小时，批量推理速度12.7 FPS。
• DETA（24 epochs）：51.1 mAP，总训练时间32.5 GPU小时，批量推理速度12.7 FPS。
• DETA（Swin-L，24 epochs）：62.9 mAP，总训练时间100 GPU小时，批量推理速度4.2 FPS。

这些数据表明，DETA在保持高推理速度的同时，显著提升了检测精度，尤其是在使用Swin-L作为骨干网络时，性能达到了62.9 mAP。

项目及技术应用场景

DETA适用于各种需要高效且精准目标检测的场景，特别是在以下领域：

• 自动驾驶：快速且准确地识别道路上的各种物体，如车辆、行人、交通标志等。
• 智能监控：实时监控并识别监控画面中的异常行为或目标。
• 工业检测：在生产线上快速检测产品缺陷或异常。
• 医学影像分析：快速且准确地识别医学影像中的病变区域。

项目特点

1. 高效训练：DETA在训练速度上与Deformable-DETR相当，但在收敛速度上显著优于后者，仅需12个epoch即可达到50.2 mAP。
2. 高精度检测：通过引入IoU分配和NMS，DETA在COCO数据集上表现出色，尤其是在使用Swin-L作为骨干网络时，精度达到了62.9 mAP。
3. 灵活配置：DETA支持多种配置，包括不同的骨干网络（如ResNet-50和Swin-L），用户可以根据需求选择最适合的配置。
4. 易于使用：项目提供了详细的安装和使用指南，用户可以轻松地在本地或集群环境中进行训练和评估。

结语

DETA通过重新引入IoU分配和NMS，成功地优化了基于Transformer的检测器，不仅在训练速度和精度上取得了显著提升，还为各种实际应用场景提供了强大的技术支持。如果你正在寻找一个高效且精准的目标检测解决方案，DETA无疑是一个值得尝试的选择。

DETA Detection Transformers with Assignment 项目地址: https://gitcode.com/gh_mirrors/de/DETA