了解到基于Transformer可以做到实时目标检测，在公开数据机上的性能还不错，于是拿来在自己制作的数据集上测试下使用的效果。
GitHub：(https://github.com/ShihuaHuang95/DEIM?tab=readme-ov-file)
运行环境：NVIDIA RTX4090 24G python3.9.19 pytorch已经配置好
直接从GitHub下载源码

1. 数据集准备

将标注好的自定义数据集转成COCO格式

2. 配置文件修改

新建DEIM-main/configs/dataset/custom_detection.yml文件，内容如下：
注意修改项：remap_mscoco_category、类别num_classes、训练集图像路径img_folder、训练集coco标签ann_file、验证集图像路径img_folder、验证集coco标签ann_file改为自定对应的类别和路径，我修改后的如下

自定义Batch Size:
修改
dataloader.yml to increase the total_batch_size:
train_dataloader:
total_batch_size: 64 # Previously it was 32, now doubled

关键参数修改 deim_hgnetv2_l_coco.yml

自定Input大小：默认为640,640
修改dataloader.yml

train_dataloader:
dataset:
transforms:
ops:
- {type: Resize, size: [320, 320], }
collate_fn:
base_size: 320
dataset:
transforms:
ops:
- {type: Resize, size: [320, 320], }

修改Dfine_hgnetv2.yml

eval_spatial_size: [320, 320]

3. 模型训练和测试

#deim_dfine_hgnetv2_s_coco_120e.pth为coco预训练权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --use-amp --seed=0
#best_stg2.pth为训练最佳map50:95的精度权重
python train.py -c configs/deim_dfine/deim_hgnetv2_s_coco.yml --test-only -r outputs/deim_hgnetv2_s_coco/best_stg2.pth

4. 遇到的问题

如果出现ModuleNotFoundError: No module named ‘calflops’
由于calfops和nvidia-cudnn-cu12容易冲突，测试的时候，可将engine/misc/profiler_utils.py相关内容注释，该calflops仅计算FLOPs等功能，如下所示

如果出现ValueError: Default process group has not been initialized, please make sure to call init_process_group.
定位出错的位置发现是pretrained为true，但没有在指定的路径中找到预训练模型导致的
根据engine/Backbone/hgnetv2.py 中arch_configs的部分地址可先下载相应的预训练模型，放到代码指定的位置，问题即可解决。