DEIMv2

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

• 支持 CUDA 的 NVIDIA GPU（README 示例使用 0,1,2,3 四张卡）
• 已安装 PyTorch、可用 torchrun 的 Python 环境（README 未给出安装命令，需自行准备）
• COCO2017 数据集（示例配置均为 coco 版本）
• 本仓库完整代码，包含 configs/deimv2 目录

安装与启动步骤

1. 1克隆项目代码

   从 GitHub 克隆 DEIMv2 源码并进入项目目录，后续所有命令都需在此目录下执行。

   git clone https://github.com/Intellindust-AI-Lab/DEIMv2.git
   cd DEIMv2

   复制

2. 2准备运行环境

   README 的 2.1 Environment Setup 章节内容为空，没有给出任何安装命令，需自行按 PyTorch 与 torchrun 的要求准备环境。

3. 3选择模型配置文件

   ViT 版本用 deimv2_dinov3_${model}_coco.yml，HGNetv2 版本用 deimv2_hgnetv2_${model}_coco.yml，把 ${model} 替换成实际尺寸（如 s）。

4. 4启动模型训练

   用 torchrun 多卡训练，--nproc_per_node=4 表示 4 卡，--use-amp 开启混合精度，--seed=0 固定随机种子。

   CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/deimv2/deimv2_dinov3_s_coco.yml --use-amp --seed=0

   复制

5. 5测试评估模型

   加 --test-only 只做评估，用 -r 指定要加载的权重文件 model.pth，换成你自己的权重路径。

   CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/deimv2/deimv2_dinov3_s_coco.yml --test-only -r model.pth

   复制

6. 6微调已有权重

   用 -t 指定待微调的权重文件，其余参数与训练一致，适合在已有模型基础上继续训练。

   CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/deimv2/deimv2_dinov3_s_coco.yml --use-amp --seed=0 -t model.pth

   复制

7. 7按需调整超参数

   改 batch size 需同步按线性缩放调整学习率、EMA decay 与 warmup；改输入尺寸要同步改 eval_spatial_size 和 Resize。

关键配置

如何确认成功

命令无报错并持续输出训练日志；用 --test-only 跑完后能打印 COCO 上的精度结果。

常见问题

注意事项

• README 未提供任何依赖安装命令，环境与数据集需自行准备，本教程相应步骤已留空。
• 所有训练/测试命令都基于 torchrun，主端口固定为 7777，多任务并行时注意端口冲突。
• 训练/评估都要先把 ${model} 替换成真实的模型尺寸，否则找不到配置文件。
• weight_decay、betas、matcher 等参数调优请直接对照仓库 configs/deimv2 下的真实 yml 文件。