【超详细】DEIM：最强实时目标检测算法-Visdrone2019无人机数据集实战

已于 2025-01-09 23:06:11 修改
阅读量7.7k 收藏 123
点赞数 41
文章标签： DEIM DETR Visdrone2019 YOLOv8 目标检测
于 2025-01-09 22:58:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45679938/article/details/145043671
版权

主要内容如下：

一、论文解析
二、基于DEIM-D-FINE-S训练Visdrone2019无人机数据集
1、Visdrone2019数据集介绍
2、模型训练、验证及测试
3、onnx导出与测试
4、与YOLOv8\11进行结果对比

服务器：NVIDIA RTX4090 24G
运行环境：Python=3.8（要求>=3.8），torch2.3.1+cu121（要求>=2.0.1）
Visdrone2019-COCO格式数据集百度AI stduio下载链接：https://aistudio.baidu.com/datasetdetail/226107/0
Visdrone-YOLO格式数据集下载链接：https://aistudio.baidu.com/datasetdetail/295374

arXiv: https://arxiv.org/abs/2412.04234
Project webpage：https://www.shihuahuang.cn/DEIM/
GitHub：https://github.com/ShihuaHuang95/DEIM

训练和使用结果：
（1）map50高于YOLOv8将近6个点达47%，训练显存占用较大，batchsize为8需要20G，训练速度比YOLOv8慢一倍，12小时左右；
（2）onnx推理速度要慢于YOLOv8，需要9-10ms；
（3）检出率比较高，但是误检和同一个目标出现两个重叠框但不同类别现象较多。

一、论文解析

DEIM（DETR with Improved Matching for Fast Convergence）是一篇关于加速基于Transformer架构（DETR）的实时目标检测的训练框架的论文。以下是该论文的详细解析：

1 研究背景

目标检测是计算机视觉中的一个基本任务，广泛应用于自动驾驶、机器人导航等领域。实时目标检测要求模型不仅能精准检测目标，还要以极低的延迟运行。DETR（Detection Transformer）是一种基于Transformer的端到端目标检测框架，通过使用匈牙利算法进行一对一（O2O）匹配，消除了对手工设计的非极大值抑制（NMS）的需求，但其收敛速度慢成为一大挑战。

2 研究问题

DETR模型在训练过程中存在慢收敛的问题，主要原因是其一对一（O2O）匹配机制导致正样本数量稀少，且存在大量低质量匹配。这限制了模型的有效学习，尤其是对小目标的检测。

3 解决方案

为了解决上述问题，DEIM提出了以下两个主要策略：

密集O2O匹配（Dense O2O）：
通过增加每张图像中的目标数量，生成更多的正样本，从而提供更密集的监督信号，加速模型收敛。
这可以通过经典的数据增强技术（如马赛克和混合）轻松实现，这些技术在保持一对一匹配框架的同时，每张图像生成额外的正样本。
匹配感知损失（MAL, Matchability-Aware Loss）：
一种新的损失函数，优化不同质量级别的匹配，特别是低质量匹配，提升模型性能。
MAL通过将匹配查询与目标之间的IoU（交并比）与分类置信度结合，根据匹配质量调整惩罚。
相比传统的Varifocal Loss（VFL），MAL在处理低质量匹配时更有效，特别是在训练的早期阶段。
在这里插入图片描述

4 实验验证

在COCO数据集上的实验表明，DEIM显著加速了DETR模型的收敛，减少了50%的训练时间，同时提升了检测精度。与现有的实时检测器（如YOLO系列和RT-DETR）相比，DEIM在性能和训练效率上均表现出色，尤其是在小目标检测方面有显著提升。

当与RT-DETR和D-FINE集成时，DEIM在减少训练时间的同时提高了性能。
特别是与RT-DETRv2集成时，DEIM在NVIDIA 4090 GPU上单天训练就达到了53.2%的平均精度（AP）。
在这里插入图片描述
DEIM训练的实时模型在没有额外数据的情况下，超越了领先的实时目标检测器。例如，DEIM-D-FINE-L和DEIM-D-FINE-X在NVIDIA T4 GPU上分别以124 FPS和78 FPS的速度达到了54.7%和56.5%的AP。
在这里插入图片描述
在这里插入图片描述

5 结论

DEIM通过密集O2O匹配和匹配感知损失，有效解决了DETR模型的慢收敛问题，提升了实时目标检测的性能，为该领域设定了新的基准。DEIM通过增加正样本数量和优化低质量匹配，显著提升了DETR模型的训练效率和检测性能。

二、基于DEIM-D-FINE-S训练Visdrone2019无人机数据集

1 环境安装

步骤1：创建环境

conda create -n deim python=3.8.13

步骤2：安装torch
版本：要求大于2.0.1，这里安装2.3.1

# CUDA 11.8
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=11.8 -c pytorch -c nvidia
# CUDA 12.1
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=12.1 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 cpuonly -c pytorch

步骤3：安装deim其他依赖
注意：calflops安装或训练报错可见文末尾。

conda activate deim
pip install -r requirements.txt

2 Visdrone2019数据集准备

2.1 简介

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；

2.2 数据集制作

注意：这里直接下载已处理好的coco格式的Visdrone2019数据集进行训练，同时注意该数据集图片命名已改变，但其他无影响。
下载链接：Vidrone2019-COCO格式数据集

3 配置文件修改

3.1 数据集配置文件修改

新建DEIM-main/configs/dataset/custom_xulvisdrone.yml文件，内容如下：
注意修改项：类别num_classes、训练集图像路径img_folder、训练集coco标签ann_file、验证集图像路径img_folder、验证集coco标签ann_file四项。
另外，验证测试集精度修改验证集图像路径img_folder、验证集coco标签ann_file两项即可。

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: DEIM-main/visdrone2019_coco/train2017
    ann_file: DEIM-main/visdrone2019_coco/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: DEIM-main/visdrone2019_coco/val2017
    ann_file: DEIM-main/visdrone2019_coco/annotations/instances_val2017.json
    return_masks: False
    transforms:
      type: Compose
      ops: ~
  shuffle: False
  num_workers: 4
  drop_last: False
  collate_fn:
    type: BatchImageCollateFunction

3.2 训练过程配置参数修改

注意：这边训练configs/deim_dfine/deim_hgnetv2_s_coco.yml，它是层层调用其他配置文件，优先采用configs/deim_dfine/dfine_hgnetv2_s_coco.yml和configs/base/deim.yml内容。
在这里插入图片描述
所有具体步骤如下：【默认640训练只需修改步骤二和步骤四】
步骤一：保存路径+epoch设置
configs/deim_dfine/deim_hgnetv2_s_coco.yml修改epoch和保存路径等参数，默认132epoch；
在这里插入图片描述
步骤二：设置自定义数据集
configs/deim_dfine/dfine_hgnetv2_s_coco.yml修改自定义数据集文件调用，如下：
在这里插入图片描述
步骤三：训练尺寸
configs/base/deim.yml修改训练尺寸，默认640，Mosaic尺寸设置【切成4块】：
在这里插入图片描述
步骤四：batch_size设置
configs/base/dataloader.yml修改total_batch_size【由原先32改为8】，640*640大概需要20G显存。
在这里插入图片描述

4 模型训练

这里仅训练deim_dfine-s模型，模型输入尺寸640*640，训练132轮，且利用官网coco预训练权重进行微调！
在这里插入图片描述
训练命令如下：

# deim_dfine_hgnetv2_s_coco_120e.pth为coco预训练权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --use-amp --seed=0 -t deim_dfine_hgnetv2_s_coco_120e.pth

训练中，可利用tensorboard --logdir=outputs/deim_hgnetv2_s_coco/summary终端运行可视化训练过程，summary中包含一个events.out.tfevents.xxx文件。将下面的网页用谷歌浏览器打开，如果没有内容大概率是路径错误。
在这里插入图片描述
可视化结果如下：
在这里插入图片描述

5 模型验证

对数据集进行验证的命令依然是train.py，启用–test-only参数仅验证不训练。
验证的命令如下：

# best_stg2.pth为训练132轮最佳map50:95的精度权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --test-only -r outputs/deim_hgnetv2_s_coco/best_stg2.pth

5.1 maxDets=100验证

Visdrone数据集验证结果如下【maxDets=100】，map50=0.474：
在这里插入图片描述
Visdrone数据集测试集结果如下【maxDets=100】，map50=0.396：
在这里插入图片描述

5.2 maxDets=300验证

maxDets：该指标的意思是分别保留测试集的每张图上置信度排名第1、前10、前100个预测框，根据这些预测框和真实框进行比对，来计算AP、AR等值。但是，在WidePerson等密集目标数据集中，尽管绝大部分图片中目标的数量在100以内，但却存在某些图片中包含近200个目标，那么我们再使用maxDets=100就不符合要求了，因此改成300进行验证测试。
修改：前往环境中faster_coco_eva依赖包进行修改，改一行即可：
anaconda3/envs/yolov7/lib/python3.8/site-packages/faster_coco_eval/core/cocoeval.py
在这里插入图片描述
Visdrone数据集验证结果如下【maxDets=300】，map50=0.475：
在这里插入图片描述
Visdrone数据集测试集结果如下【maxDets=300】，map50=0.397：
在这里插入图片描述

6 模型测试

测试的命令如下：

python tools/inference/torch_inf.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml -r outputs/deim_hgnetv2_s_coco/best_stg2.pth --input visdrone2019_coco/images/test/0000006_00159_d_0000001.jpg --device cuda:0

注意：原代码不带类别，只有索引，可自己在绘图时自行加入！
结果可视化如下，置信度阈值0.4：
在这里插入图片描述

7 onnx推理与可视化

注意：需安装onnx和onnxruntime等.

pip install onnx==1.14.1 -i  https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime-gpu==1.18.1 -i  https://pypi.tuna.tsinghua.edu.cn/simple

7.1 导出onnx

python tools/deployment/export_onnx.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml -r outputs/deim_hgnetv2_s_coco/best_stg2.pth

利用netron打开，显示如下：
在这里插入图片描述

7.2 运行官方的onnx推理脚本

注意：结果与pth存在偏差，可能是预处理影响。

python tools/inference/onnx_inf.py --onnx outputs/deim_hgnetv2_s_coco/best_stg2.onnx --input visdrone2019_coco/images/test/0000006_00159_d_0000001.jpg

可视化如下：onnx（左）、pth（右）
在这里插入图片描述

7.3 运行自定义onnx推理脚本

注意：该脚本无torch，只包含numpy、opencv和onnxruntime三个依赖。
推理速度如下：
在这里插入图片描述

8 与YOLOv8\11结果比较

Visdrone2019实验结果对比如下：
在这里插入图片描述

9 报错信息

报错1：RuntimeError: CUDA error: device-side assert triggered
原因：数据集配置有误，导致类别id与yaml文件中的索引号匹配不上导致的，这边自定义数据集要求ID索引从0开始，如10个类，则对应0-9。

报错2：Could not load library 2 libcudnn cnn train.so.8. Error. /usr/local/cuda-12.1/lib64/ibcudnn cnn train.so.8: undefined symbol
原因：安装calflops会携带装nvidia-cudnn-cu12，而环境nvidia-cudnn-cu12容易与系统的cudnn冲突导致报错。所以要么把系统里面的cudnn去掉(不推荐，如果部署其他的如Tensor t时会出现问题，反而更麻烦)。要么把虚拟环境中的cudnn去掉(推荐)，如pip uninstall nvidia-cudnn-cu12。

报错3：ModuleNotFoundError: No module named ‘calflops’
原因：与报错2冲突，因此我们将engine/misc/profiler_utils.py相关内容注释，该calflops仅计算FLOPs等功能。
在这里插入图片描述

RT-DETR改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度
Limiiiing的博客
11-16 1955
本文记录的是基于NWD的RT-DETR的损失函数改进方法研究。目前的IoU-Loss在一些情况下不能提供梯度来优化网络，例如当预测边界框P和真实边界框G没有重叠（即∣P∩G∣0），或者P完全包含G或反之（即∣P∩G∣P或G），而这两种情况在微小物体检测中非常常见。CIoU和DIoU虽然能处理上述两种情况，但它们基于IoU，对微小物体的位置偏差很敏感。而。
【目标检测】【CVPR 2025】DEIM：基于优化匹配机制的DETR模型，实现快速收敛
2401_82355416的博客
03-14 1930
DETR是由Facebook AI团队在2020年提出的一种基于Transformer的目标检测方法。与传统的基于卷积神经网络（CNN）的目标检测方法不同，DETR摒弃了复杂的锚框设计和后处理步骤（如非极大值抑制，NMS），采用了一种端到端的检测框架。DETR的核心思想是将目标检测问题转化为一个集合预测问题，通过Transformer编码器-解码器结构直接预测出图像中的目标类别和边界框。DETR的主要组成部分包括：1. CNN骨干网络：用于提取图像特征。
极市平台 | 超越YOLO11和D-FINE！DEIM：最强实时目标检测算法
csdn_xmj的博客
12-24 2395
本文介绍了一种改进的DETR目标检测框架DEIM，通过增加正样本数量和优化匹配质量的损失函数，显著加快了DETR模型的收敛速度，并在多个数据集上提升了性能，成为当前最优的实时目标检测方案。DEIM通过Dense O2O和MAL两项技术改进，解决了DETR在监督信号和匹配质量上的不足，使其在实时目标检测领域的表现超越了YOLO系列模型。
如何在自己的数据集上跑通DEIM(CVPR2025)
weixin_53895623的博客
03-26 1660
DEIM: DETR with Improved Matching for Fast Convergence提出了一种名为DEIM(DETR with Improved Matching)的创新训练框架，旨在加速基于Transformer的实时目标检测架构的收敛速度。目前该训练框架可用于直接训练RTDETR和DFine。
俯视场景下三轮车目标检测数据集 tricycle_Visdrone2019.rar
05-02
1、俯视场景下三轮车目标检测数据集，用于三轮车检测，标签格式为txt和xml两种。可以用于YOLO三轮车检测 2、一个类别，类别名为 tricycle 3、数据参考和检测结果展示：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、数量：2270 5、从Visdrones数据集总提取得到
【目标检测】【CVPR 2025】DEIM：具有改进匹配机制的DETR以实现快速收敛
weixin_44184852的博客
03-06 3336
我们介绍了DEIM，这是一种创新且高效的训练框架，旨在加速基于Transformer架构（DETR）的实时目标检测的收敛速度。为了缓解DETR模型中一对一（O2O）匹配固有的稀疏监督问题，DEIM采用了密集O2O匹配策略。该方法通过引入额外目标并使用标准数据增强技术，增加了每张图像的正样本数量。虽然密集O2O匹配加快了收敛速度，但也引入了大量低质量匹配，可能影响性能。为了解决这一问题，我们提出了可匹配性感知损失（MAL），这是一种新颖的损失函数，能够优化不同质量水平的匹配，从而增强密集O2O的有效性。
深度学习目标检测数据VisDrone2019（to yolo / voc / coco）---MMDetection数据篇
热门推荐
qq_41627642的博客
05-11 4万+
1、VisDrone2019数据集介绍 配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域，包括农业、航空摄影、快速交付和监视。因此，从这些平台上收集的视觉数据的自动理解要求越来越高，这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准，并仔细注释了地面真相，命名为VisDrone，使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段，由261908帧和10209幅静
数据集【NO.7】无人机航拍数据集——VisDrone2019数据集
m0_70388905的博客
04-11 1万+
该数据集还是很不错的供研究的数据集，如果研究无人机视角的图像检测同学可以用该数据集进行研究。小目标、目标重叠、复杂背景等舰船难点，导致检测的mAP会较低，很有研究价值。
【超详细】基于YOLOv8训练无人机视角Visdrone2019数据集
weixin_45679938的博客
09-22 1万+
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；
【VisDrone】VisDrone-DET2019数据集介绍
Gorgeous_wxd
05-28 5077
The descriptions of the submitted algorithms in the VisDrone-DET2019 Challenge Object detection results on the VisDrone-DET2019testingset The AP scores on the VisDrone-DET2019testingset of each object category.
ppyoloe实战之VisDrone2019无人机数据
m0_63642362的博客
04-28 8169
转自AI Studio，原文链接：https://aistudio.baidu.com/aistudio/projectdetail/3742987 1. 简介 PaddleDetection最近更新了最新的自研检测算法ppyoloe，在速度和精度上取得了更好的平衡，效果炸裂，得到了很多关注，也有了很多解读和应用。 github: https://github.com/PaddlePaddle/PaddleDetection/tree/release/2.4/configs/ppyoloe pape
模型约化-DEIM方法-python版代码
03-22
模型约化-DEIM方法-python版代码
VisDrone2019-DET-val.zip
12-22
VisDrone2019-DET-val.zip
超越DFINE最新目标检测SOTA模型DEIM
sexy19910923的博客
12-09 2189
DEIM 通过采用密集的一对一（Dense O2O）匹配策略和提出一种新颖的损失函数 Matchability-Aware Loss (MAL)，来增加每张图片中的正样本数量，优化不同质量水平的匹配效果。在 COCO 数据集上的广泛实验验证了 DEIM 的有效性。与 RT-DETR 和 D-FINE 集成时，DEIM 能显著提升性能并减少50%的训练时间。搭配 RT-DETRv2 使用时，DEIM 在 NVIDIA 4090 GPU 上仅用一天训练就达到了 53.2% AP。
[特殊字符]基于YOLOv8的Objects365目标检测系统实现
最新发布
m0_52343631的博客
04-09 215
📦类别数量：365类（覆盖人、动物、家具、车辆、工具等）🖼️图像数：约 600K 张训练图像📌标注类型：COCO风格标注（bbox + class）🧠应用场景：室内室外通用，极具实用价值🔁 分类、检测、分割三任务💡 TTA 增强、Mosaic 自动增强🎯 可导出到 ONNX、TFLite、CoreML 等Backbone：C2f 模块Neck：FPN + PANHead。
DEIM: DETR with Improved Matching for Fast Convergence——具有改进匹配的DETR，用于快速收敛
Together_CZ的博客
12-27 2017
DEIM: DETR with Improved Matching for Fast Convergence——具有改进匹配的DETR，用于快速收敛
超越YOLO11！DEIM：最强实时目标检测器重磅开源！
阿木寺的博客
12-29 633
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【目标检测】交流群添加微信：CVer2233，助手会拉你进群！扫描下方二维码，加入CVer学术星球！可获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪必备！DEIM: DETR with Improved Matching for Fast ConvergencearX...
DEIM: 在DETR中使用多对一匹配的策略加快收敛
m0_70486148的博客
01-03 1153
与RT-DETRv2配合使用时，DEIM仅需在NVIDIA 4090 GPU上训练一天就能达到53.2%的平均精度（AP）。摘要我们介绍了一种名为DEIM的创新且高效的训练框架，旨在加速基于Transformer架构（如DETR）在实时目标检测中的收敛速度。为了缓解DETR模型中一对一（O2O）匹配所固有的稀疏监督问题，DEIM采用了密集的一对一（Dense O2O）匹配策略。该方法通过引入额外的目标，并使用标准的数据增强技术，增加了每张图像中的正样本数量。
DEIM
03-13
### DEIM 定义 离散经验插值方法（Discrete Empirical Interpolation Method，简称 DEIM）是一种用于高效近似非线性函数的技术[^1]。它通过选取一组特定的基向量并对其进行稀疏化操作，在保持较高精度的前提下显著降低计算复杂度。 DEIM 的核心思想在于利用低秩分解技术提取主要特征，并结合插值矩阵实现快速逼近。这种方法特别适用于涉及大规模矩阵运算的任务，例如科学计算中的偏微分方程求解以及机器学习领域内的优化问题。 --- ### 技术应用 #### 实时目标检测 在计算机视觉领域，DEIM 被成功应用于改进 DETR（Detection Transformer）模型的表现[^2]。具体而言： - **性能提升**：当与 RT-DETR 或 D-FINE 集成时，DEIM 不仅减少了训练时间，还提升了最终模型的检测精度。 - **硬件效率**：实验表明，在 NVIDIA 4090 GPU 上运行一天即可达到 53.2% 的 AP；而在较低端的 T4 GPU 上，实时版本仍能以超过百帧每秒的速度维持较高的检测质量。 这些特性使得 DEIM 成为了新一代轻量化、高性能目标检测框架的重要组成部分之一。 #### 训练加速与资源节约 通过对匹配机制进行改良，DEIM 提供了一种更快收敛的方法——即“DETR with Improved Matching for Fast Convergence”，从而有效降低了传统 DETR 存在的长时间预热期问题[^4]。此外，由于其高效的内存管理和算力分配能力，在实际部署过程中也展现出极佳的成本效益比。 #### 自动驾驶场景下的优势 考虑到现代工业应用场景如自动驾驶汽车感知系统的需求，DEIM 所具备的优势尤为突出： - 更短的学习周期意味着可以更迅速地适应新环境变化； - 较高的预测准确率有助于提高行车安全性； - 减少不必要的后处理步骤(比如 NMS)，进一步简化整体架构设计思路。 以下是基于 PyTorch 构建的一个简单推理脚本实例，展示如何加载经过 DEIM 增强后的模型来进行图像分类或物体识别任务: ```python import torch from torchvision import transforms from models.deim_model import DEIMModel # 假设这是自定义模块路径 def load_model(model_path): model = DEIMModel() checkpoint = torch.load(model_path) model.load_state_dict(checkpoint['state_dict']) return model.eval() transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) image_tensor = transform(image).unsqueeze_(0) model = load_model('deim_best.pth') output = model(image_tensor) ``` 上述代码片段假设存在名为 `models/deim_model.py` 文件定义了一个继承自 nn.Module 类别的类代表我们的神经网络结构体. --- ### 总结评价 综上所述，无论是理论层面还是工程实践角度出发，都可以看出 DEIM 方法具有广泛的应用前景和发展潜力。特别是在当前 AI 行业追求更高效率更低能耗的大背景下，此类技术创新无疑将推动整个行业向前迈进一大步[^3]. ---
评论 21
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值