当前位置：首页 > news >正文

超越YOLO11！DEIM：先进的实时DETR目标检测

news 来源：原创 2025/5/15 18:28:20

DEIM: DETR with Improved Matching for Fast Convergence

arXiv: https://arxiv.org/abs/2412.04234

Project webpage：https://www.shihuahuang.cn/DEIM/
GitHub：https://github.com/ShihuaHuang95/DEIM

1 背景：DETR目标检测框架

目标检测（Object Detection） 是计算机视觉中的核心任务，用于识别图像或视频中的所有目标，并为每个目标提供其类别和位置。简单来说，目标检测结合了分类和定位的能力，既要知道目标是什么，也要知道它们在哪儿。

目前主流的目标检测方法可以分为三类：

• 基于区域候选（Region Proposal）的方法：例如 R-CNN 系列（如 Faster R-CNN [1]）。
• 基于锚点（Pixel Anchor）的方法：例如 YOLO 系列（You Only Look Once [2]）。
• 基于可学习查询（Learnable Queries）的方法：例如 DETR 系列（Detection with Transformer [3]）。

实时目标检测（Real-time Object Detection） 要求模型不仅要精准，还要以极低的延迟（Latency）运行，通常需要达到或超过 30FPS，以满足实时应用需求。YOLO 系列因其优秀的性能和速度平衡，长期是实时检测领域的主流框架。它采用密集锚点（Dense Anchors）和“一对多”（One-to-Many, O2M）匹配策略，即在训练节点单个GT框会有多个匹配框优化bbox regression损失。这样的好处是，在训练过程中，对匹配的容错性比较高。为去除冗余框，YOLO 会使用非极大抑制（Non-Maximum Suppression, NMS）等后处理方法。

Detection with Transformer（DETR [3]） 是近年来备受关注的一种基于 Transformer 架构的目标检测方法。DETR 使用稀疏的可学习查询（Sparse Learnable Queries）和“一对一”（One-to-One, O2O）匹配机制，在训练阶段限制每个目标仅匹配一个正样本（Positive Sample）。这种设计使 DETR 摒弃了复杂的后处理步骤（如 NMS），实现了真正的端到端（End-to-End）目标检测。随着 DETR 框架的不断优化，RT-DETR [4] 已经实现了低延迟目标检测（Low-Latency Object Detection），逐渐在实时检测场景中超越 YOLO，成为实时目标检测的热门选择。关于DETR的代码细节可以参考 Meta的DETR (ECCV 2020) 以及隐藏在代码的细节

DETR的收敛速度较慢。 对比Faster R-CNN [1] 在COCO上仅用十几个epochs取得的效果，DETR [3] 需要数倍epochs，例如最开始的版本中需要500epochs。导致这个问题的原因有两个：

稀疏的监督信息——O2O匹配机制在训练过程中仅分配一个正样本给每个目标，对比O2M匹配机制则是分配数倍的正样本给每个目标，随着正样本减少，这样的监督信息大大地减少；
低质量的匹配（IoU很低）——不同于pixel-anchor based的YOLO检测器，在训练过程中会有10k左右的候选框，非常密集，甚至每个像素点都有好几个不同尺寸的候选框，使得最后目标附近有非常高质量的预测框。而DETR中的queries数一般是100或者300，这样少数量的queries在空间上也呈现稀疏性，会使得有一些匹配的框和目标空间交集很小，这样的低质量匹配会影响优化。

2 DEIM加快训练收敛

DEIM 提出了两项改进加速收敛：

Dense O2O：通过增加正样本数量，提升监督信号密度。
MAL（Matchability-Aware Loss）：优化匹配质量的损失函数。

2.1 Dense O2O：提升匹配数量

O2O (如上图 b) 匹配策略每目标仅分配一个正样本，而 O2M（One-to-Many, 如上图a）策略分配多个正样本。为了弥补 O2O 的不足，DEIM 使用简单而高效的 Dense O2O (如上图c) 方法：通过数据增强（如 Mosaic 和 MixUp），将单目标图片拼接成多目标图片，显著增加匹配数量。这样可以避免引入复杂辅助解码器或副作用（如增加重叠框）。

在基于 RT-DETRv2-R50 [4] 模型的 COCO 数据集训练中，我们统计了每个样本在一个 epoch 内使用 O2M（One-to-Many，SimOTA）和 O2O（One-to-One，Hungarian Matching）分配正样本数量的差异。结果如下图所示：

正样本数量：在 O2O 策略下，大多数训练数据的正样本数量少于 10。
比例对比：相同图片下，O2M 生成的正样本数量是 O2O 的多倍，大部分样本的比例达到 6 倍以上，部分甚至超过 10 倍。

研究重点：如何有效增加正样本数量，从而提供更密集的监督信息，成为优化模型的重要方向。

为了增加正样本数量，一些方法在维持 O2O 框架的基础上进行了改进，典型方法包括：

Group DETR [5]：使用多组 queries，每组单独执行 O2O，使每个目标拥有多个正样本。
Co-DETR [6]：引入常见的 O2M 匹配算法（如 Faster R-CNN [1] 和 FCOS [2]）作为辅助训练。

然而，这些方法存在一些问题：

需要多个辅助解码器（Decoder），增加训练资源消耗。
需要平衡主解码器与辅助解码器的损失，避免影响主框架性能。
辅助训练可能引入高质量重叠框，最终需要使用 NMS 后处理。

DEIM提出了一种 Dense O2O 方法，通过有效增加图片中的目标数量，提升监督信息密度。如下图，简单地将单目标图片复制 4 次并拼接在一起，生成包含 4 个目标的图片，进而获得 4 个正样本。这种方法接近 O2M 策略，但避免了 O2M 的问题，且几乎零成本，仅需简单的数据增强（Mosaic 和 Mixup）即可实现。

2.2 MAL：提升匹配质量

VFL [7]（Varifocal Loss）是目前常用的目标检测损失函数，尤其在实时 DETR 框架中被广泛应用。VFL 主要针对 O2M 和基于锚点（Pixel Anchor）的检测器设计，不存在正样本少或匹配质量差的问题。

然而，在 DETR 框架中，VFL 存在两个明显问题：

对于 IoU 较低的匹配，损失不会随着置信度增加而增加。
IoU=0 时被视为负样本，进一步减少了正样本数量。

为解决这些问题，我们基于 Focal Loss 提出了 MAL（Matching-Aware Loss）。MAL 更加简洁，仅有一个超参数 gamma，同时有效解决了 VFL 的缺陷，提高了 DETR 框架的性能。

通过对比 VFL 和 MAL 在低质量匹配（IoU=0.05）和高质量匹配（IoU=0.95）下的表现，可以发现：

低质量匹配（IoU=0.05）：MAL 会随着置信度增加而加大惩罚，而 VFL 惩罚不明显。

高质量匹配（IoU=0.95）：MAL 和 VFL 表现相同。

3 实验：DEIM的效果

3.1 整体性能

DEIM 显著加速了基于 DETR 的实时目标检测模型的收敛速度。相比目前的SOTA D-FINE-L [8]，仅需一半的训练批次即可达到更高性能。DEIM 优化了 D-FINE 系列模型，在性能与时延的平衡上成为当前最优检测器，超越了最新的 YOLOv11 [9]。

3.2 实时目标检测性能

和现有的各种大小的实时目标检测模型进行了对比（包括X，L，M和S）结果显示DEIM可以加速和提升最好的检测器D-FINE [8]，成为了目前最强的实时目标检测器。其中提升最明显的是小目标（APs）和高准确的预测（AP75）。例如在D-FINE-X [8]中，DEIM在整体AP仅提升0.7下，却提升了1.3 AP75和1.5 APs。说明了DEIM能有效地提升预测框的准确度。

3.3 基于ResNet框架对比经典DETR算法

主流 DETR 模型多基于 ResNet [10]，DEIM 应用于 RT-DETRv2 [4]也能显著提升结果。结果显示，DEIM 能显著提升 RT-DETRv2 [4] 的性能，整体提升约 1 个点，其中 APs 和 AP75 提升最为明显，均超过 1.2 个点。与 DINO [11] 模型对比，在相同训练周期（36 epochs）下，DEIM-RT-DETRv2-R50 的 AP 提升接近 3 个点。这证明了 DEIM 的算法泛化性，并表现出更快更优的性能。

3.4 CrowdHuman数据集上的泛化实验

在更具挑战性的 CrowdHuman [12] 数据集上，DEIM 相比 D-FINE-L [8] 提升了 1.5 AP，其中 APs 和 AP75 提升最明显，均达 3 个点。实验证明了 DEIM 在不同数据集上的强泛化性。

3.5 Ablation Study: 验证 DEIM 的有效性

从以下三个方面验证了 DEIM 的有效性：

实现 Dense O2O 的方法。Dense O2O 利用 Mosaic 和 MixUp 两种技术有效增加目标数量。实验结果表明，这两种方法显著加速了训练收敛，并且具有互补性。因此，我们的方法结合了 Mosaic 和 MixUp，最终同时使用两者以达到最佳效果。

MAL 中的超参数 gamma。针对 MAL 的 gamma 值进行实验发现，当 gamma = 1.5 时性能最佳。这为 MAL 的使用提供了一个有效的默认配置，同时进一步优化探索可能会带来更好的表现。

Dense O2O 和 MAL 的组合性能。Dense O2O 和 MAL 的组合具有明显的协同效果。实验表明，二者互补，共同使用能够进一步提升检测器的性能，验证了其在目标检测任务中的有效性和实用性。

总结

DEIM 通过 Dense O2O 和 MAL 两项改进，解决了 DETR 在监督信号和匹配质量上的不足，不仅显著加速了收敛速度，还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。

参考文献

[1] Faster R-CNN; Ren et al. "Faster R-CNN: Towards real-time object detection with region proposal networks." TPAMI, 2016.
[2] YOLO; Redmon el al. "You only look once: Unified, real-time object detection." CVPR. 2016.
[3] DETR; Carion et al. "End-to-end object detection with transformers." ECCV, 2020
[4] RT_DETR; Zhao et al. "Detrs beat yolos on real-time object detection." CVPR, 2024
[5] Group-DETR; Chen, et al. "Group detr: Fast detr training with group-wise one-to-many assignment." ICCV. 2023.
[6] Co-DETR; Zong et al. "Detrs with collaborative hybrid assignments training." ICCV. 2023.
[7] VFL; Zhang et al. "Varifocalnet: An iou-aware dense object detector." CVPR. 2021.
[8] D-FINE; Peng et al. "D-FINE: Redefine Regression Task in DETRs as Fine-grained Distribution Refinement." arXiv. 2024
[9] YoloV11; Khanam and Muhammad. "YOLOv11: An overview of the key architectural enhancements." arXiv. 2024.
[10] ResNet; He, et al. "Deep residual learning for image recognition." CVPR, 2016.
[11] DINO; Zhang et al. "Dino: Detr with improved denoising anchor boxes for end-to-end object detection." ICLR. 2022.
[12] CrowdHuman; Shao, et al. "Crowdhuman: A benchmark for detecting human in a crowd." arXiv. 2018.