D-FINE

把 DETR 回归变细粒度，定位更准、收敛更快

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 336 🐛 待处理 166 👀 关注 44

GitHub ↗

GitHub 星标 ★ 3400

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

项目预览

项目数据

分类计算机视觉

开发团队Peterande

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

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 3400

上线时间2024-08-12 00:00:00

代码更新2026-10-05

仓库体积361 KB

本站数据更新2026-11-11

维护状态维护中

收录时间2026-08-10

浏览次数5

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 3400

技术标签

object-detection

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]`