开源项目安装与配置指南—

本文链接：https://blog.youkuaiyun.com/gitblog_00916/article/details/147111332

开源项目安装与配置指南——DEIM

DEIM [CVPR 2025] DEIM: DETR with Improved Matching for Fast Convergence 项目地址: https://gitcode.com/gh_mirrors/de/DEIM

1. 项目基础介绍

DEIM（DETR with Improved Matching for Fast Convergence）是一个旨在提高DETR（Detection Transformer）模型匹配机制的开源项目。该项目通过改进匹配算法，实现了更快的收敛速度和更高的准确性。适用于实时目标检测领域的应用和研究。

主要编程语言：Python

2. 项目使用的关键技术和框架

关键技术：

改进的匹配机制：为了加快DETR模型的收敛速度。
实时目标检测：适用于需要实时处理的目标检测场景。

框架：

PyTorch：深度学习框架，用于模型的训练和测试。
CUDA：NVIDIA的并行计算平台和编程模型，用于加速GPU上的计算。

3. 项目安装和配置的准备工作

准备工作

在开始安装之前，请确保您的系统中已安装以下软件：

Python 3.11.9：项目的官方支持版本。
CUDA：与您的NVIDIA GPU兼容的版本。
conda：用于环境管理的包。
Git：用于克隆项目代码。

安装步骤

克隆项目仓库

打开命令行窗口，执行以下命令克隆项目：
```
git clone https://github.com/ShihuaHuang95/DEIM.git
cd DEIM
```
创建虚拟环境并安装依赖

使用conda创建一个名为deim的虚拟环境，并激活它：
```
conda create -n deim python=3.11.9
conda activate deim
```
接着，安装项目所需的依赖：
```
pip install -r requirements.txt
```

准备数据集

项目使用COCO2017数据集进行训练和测试。您可以从官方网站或OpenDataLab下载COCO2017数据集，并按照以下结构组织：

/data/COCO2017/
├── train2017/
├── val2017/
└── annotations/

在项目配置文件中，更新数据集的路径：

train_dataloader:
  img_folder: /data/COCO2017/train2017/
  ann_file: /data/COCO2017/annotations/instances_train2017.json

val_dataloader:
  img_folder: /data/COCO2017/val2017/
  ann_file: /data/COCO2017/annotations/instances_val2017.json

开始训练

确保您已经准备好数据集，并且正确设置了路径。然后，运行以下命令开始训练：
```
CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun --master_port=7777 --nproc_per_node=4 train.py -c configs/deim_dfine/deim_hgnetv2_${model}_coco.yml --use-amp --seed=0
```
替换${model}为您选择的模型配置（例如：s、m、l、x）。