--- title: DETR-PyTorch-模型库-ModelZoo-昇腾社区 description: DETR是基于Transformer的端到端目标检测方法。 keywords: DETR,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/fdabe2382f0047c3bd60e0eeec22fa58 section: (其他) --- # DETR-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/fdabe2382f0047c3bd60e0eeec22fa58 描述: DETR是基于Transformer的端到端目标检测方法。 关键词: DETR,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) DETR-PyTorch ## DETR-PyTorch 视觉检测与跟踪PyTorch训练1035次浏览2026/02/02更新 5.0 查看模型源码 DETR-PyTorch 查看模型源码 模型使用 版本信息 模型使用 版本信息 ... # 概述 ## 简述 DETR提出了一种将对象检测视为直接集合预测问题，能够一次性预测所有的目标，其训练采用一种集合损失函数以端到端方式进行，集合损失定义在预测结果与真实目标的二部图匹配结果上；该方法简化了检测管道，有效地消除了对许多手工设计组件的需求，例如非最大抑制程序或锚点生成，简化了检测流程；和存在的其他检测方法不一样，DETR不需要任何定制的层，因此能够便捷的在任何包含transformer和CNN的深度框架中进行复现。 - 参考实现： ``` url=https://github.com/facebookresearch/detr commit_id=585ce2c4fb80ae6ab236f79f06911e2f8bef180c ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/contrib/cv/detection ``` # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | torchvision==0.2.2.post3; pillow==8.4.0 | | PyTorch 1.8 | torchvision==0.9.1; pillow==9.1.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # Pytorch1.5版本 pip install -r 1.8_requirements.txt # Pytorch1.8版本 ``` 说明:只需执行一条对应的PyTorch版本依赖安装命令。 ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集COCO2017，将数据集上传到服务器任意路径下并解压。 目录结构如下： ``` coco ├── annotations ├── train2017 ├── val2017 ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} dos2unix ./test/*.sh ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练 ``` bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 8卡性能 ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --coco_path //数据集路径 --workers //加载数据进程数 --epochs //重复训练次数 --batch-size //训练批次大小 --gpu //指定设备号 --max_steps //跑性能最大执行步数 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 训练细节： 我们使用 AdamW 训练 DETR，将`transformer`中的学习率设置为 1e-4 和主干中的 1e-5。 水平翻转、缩放和裁剪用于数据增强。 图像将重新缩放为最小大小 800，最大大小为 1333。`transformer`的`dropout`比例为 0.1，整个模型都是用梯度裁剪为 0.1 进行训练。 # 训练结果展示 表 2训练结果展示表 | Name | LOSS | FPS | Epochs/steps | AMP_Type | Torch_version | | --- | --- | --- | --- | --- | ---| | 1p-竞品v | - | 12.7 | 1000steps | O0 | 1.5 | | 8p-竞品v | - | 73.5 | 2epochs | O0 | 1.5 | | 1p-NPU | 24.4104 | 0.2 | 1000steps | O0 | 1.5 | | 8p-NPU | 24.9557 | 0.489 | 2 epochs | O0 | 1.5 | # 版本说明 ## 变更 2020.07.08：首次发布。 ## 已知问题 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| | 5.0.RC1 | 2023/05/19 | Mixed | Ascend 910 | 6.0.1 | modelzoomodelzoo | 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)