D-FINE

把 DETR 回归变细粒度，定位更准、收敛更快

D-FINE 是一个基于 DETR 的端到端目标检测模型，核心创新在于将 DETR 中的回归任务重新定义为细粒度分布细化问题。它通过引入精细的分布建模和迭代优化机制，显著提升了检测精度，尤其在边界框定位的准确性上表现突出。该模型解决了传统 DETR 在回归任务中粗粒度、收敛慢的问题，同时保持了端到端的简洁流程，无需手工设计的后处理。D-FINE 提供了完整的训练和推理代码，支持 COCO 等标准数据集，并附带预训练模型，便于研究者复现和二次开发。其技术栈基于 PyTorch，适合学术研究和工业应用中的高精度检测场景。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3333

维护状态维护中

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队Peterande

所属国家

官网地址

GitHubhttps://github.com/Peterande/D-FINE

定价模式free

价格说明开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型d-fine,detr,object-detection

GitHub 星标★ 3333

30天Star增速

HF 下载量

上线时间2024-08-12 00:00:00

最近更新2026-09-22 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数3

使用教程

难度：进阶约 15 分钟部署方式：本地安装 8 步

环境要求

Linux 环境（命令使用 export 与 CUDA_VISIBLE_DEVICES）
已安装 Conda，用于创建 Python 3.11.9 环境
NVIDIA GPU（README 示例使用 4 张卡训练）
已获取 COCO2017 等数据集及对应权重文件（如 model.pth）

安装与启动步骤

1克隆项目代码

从官方仓库拉取源码并进入项目根目录，后续命令都在该目录下执行。
```
git clone https://github.com/Peterande/D-FINE.git
cd D-FINE
```
2创建 Conda 环境

按 README 指定版本创建名为 dfine 的 Python 3.11.9 环境。
```
conda create -n dfine python=3.11.9
```
3激活环境

切换到刚创建的环境，后续安装与训练都在此环境中进行。
```
conda activate dfine
```
4安装依赖

安装 requirements.txt 中列出的全部依赖，建议在项目根目录执行。
```
pip install -r requirements.txt
```
5选择模型规格

用环境变量指定模型规模，可选 n、s、m、l、x 五种。
```
export model=l
```

6在 COCO2017 上训练

使用 torchrun 启动 4 卡分布式训练并开启混合精度，端口和卡数按需调整。

CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/dfine/dfine_hgnetv2_${model}_coco.yml --use-amp --seed=0

7测试/评测模型

用 --test-only 加载已有权重做评测，-r 后换成自己的权重路径。

CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/dfine/dfine_hgnetv2_${model}_coco.yml --test-only -r model.pth

8微调已有权重

加 -t 指定预训练权重，在 COCO 或自定义数据集上继续微调。

CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/dfine/dfine_hgnetv2_${model}_coco.yml --use-amp --seed=0 -t model.pth

关键配置

配置项	必填	说明	示例
`model`	是	选择模型规模，决定使用的配置文件后缀。	`l`
`CUDA_VISIBLE_DEVICES`	是	指定参与训练的 GPU 编号，示例为 0,1,2,3。	`0,1,2,3`
`--nproc_per_node`	是	torchrun 每节点进程数，通常等于使用的 GPU 数量。	`4`
`--master_port`	否	分布式训练通信端口，冲突时可更换。	`7777`
`train_dataloader.total_batch_size`	否	dataloader.yml 中总批大小，加倍时学习率需线性缩放。	`64`
`eval_spatial_size`	否	dfine_hgnetv2.yml 中评测输入尺寸，需与训练尺寸一致。	`[320, 320]`

如何确认成功

训练时终端持续输出迭代日志与 loss；用 --test-only -r model.pth 能跑完并打印评测指标即正常。

常见问题

Q：只有一张显卡能跑吗？

A：README 只给出 4 卡示例，需自行让 CUDA_VISIBLE_DEVICES 中的卡数与 --nproc_per_node 保持一致，未提供单卡示例命令。

Q：想让批次更大怎么改？

A：先改 configs/dfine/include/dataloader.yml 的 total_batch_size，再按线性缩放规则同步调大配置文件中的 lr，并调整 ema 与 warmup 参数。

Q：想改输入分辨率怎么办？

A：修改 dataloader.yml 中 Resize 的 size 与 collate_fn 的 base_size，并把 dfine_hgnetv2.yml 的 eval_spatial_size 改成相同尺寸。

Q：用 Objects365 权重训自定义数据集要注意什么？

A：可选地在 src/solver/_solver.py 中修改 self.obj365_ids 为数据集对应类别 ID 以加速收敛，不修改也能正常训练。

注意事项

README 示例统一为 4 卡 torchrun 训练，请根据自己的硬件调整卡数与端口
改动批大小后需按线性缩放规律同步调整学习率、EMA 与 warmup
命令中的 model.pth 需替换为你实际的权重文件路径
自定义数据集训练使用 configs/dfine/custom/ 下的配置文件

核心亮点

重新定义回归任务为分布细化，边界框定位精度显著提升
端到端流程简洁，无需 NMS 等后处理，推理高效
在 COCO 上达到 SOTA 精度，且代码开源、预训练模型齐全

不足之处

模型复杂度较高，训练资源需求大
文档和社区支持尚在建设中，上手门槛略高

适用场景

高精度目标检测研究，如学术实验和论文复现
工业质检、自动驾驶等需要精确边界框的场景
作为 DETR 系列改进的基准模型，供后续研究参考

替代项目

RT-DETR、DINO、Co-DETR

项目介绍

D-FINE 是计算机视觉领域的开源项目，由 Peterande 开发，2024 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,333）位列前 30%，在计算机视觉分类的 447 个项目里位列前 13%。

近 42 天，它的 GitHub 星标从 3,283 增加到 3,333，净增 50。

项目仍在小幅维护中，最近一次代码更新于 2026-09-22。Apache-2.0许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：高精度目标检测研究，如学术实验和论文复现。同类可对比的替代方案包括 RT-DETR、DINO、Co-DETR。

上一篇：viseron

下一篇：deepdetect