HQ-DET: High Quality Image Detection Framework

HQ-DET是一个轻量级的目标检测框架，集成了多个主流的目标检测模型，并提供了统一的训练、评估和对比实验接口。

项目特点

• 支持多个主流目标检测模型
• 统一的训练和评估接口
• 完整的实验对比分析
• 高质量的实现和优化

支持的模型

• RT-DETRv2 R50
• RTMDet Large
• DINO R50
• YOLOv12 Large
• RF-DETR Base
• CO-DETR R50

环境要求

• Python >= 3.6
• CUDA支持
• 其他依赖项见 pyproject.toml

安装

linux

git clone [repository_url]
cd hq_det

# 安装依赖
pip install -e .

windows

python.exe -m pip install --upgrade pip
python.exe -m pip install openmim
python.exe -m mim install --trusted-host download.openmmlab.com mmcv==2.1.0 mmdet==3.3.0 mmengine==0.10.7
python.exe -m pip install peft==0.10.0 transformers==4.43.3 accelerate==1.9.0
git clone [repository_url]
pip install -e .

项目结构

hq_det/
├── benchmark/          # 模型对比实验
├── hq_det/            # 核心代码
├── scripts/           # 训练和评估脚本
├── test/              # 测试代码
└── test_notebook/     # Jupyter notebooks

使用方法

训练模型

# 使用示例脚本进行训练
python scripts/run_train_dino.py [dataset_dir] [model_path]

实验对比

详细的模型对比实验请参考 benchmark 目录：

• 所有模型在相同的硬件环境(RTX 4090)下进行训练和测试
• 训练时间统一对齐到12小时
• 详细的对比分析请参考 benchmark.ipynb

实验结果

模型	mAP	FPS
RT-DETRv2 R50	44.4	43.83
RTMDet Large	41.6	23.09
DINO R50	39.8	24.75
YOLOv12 Large	35.1	-
RF-DETR Base	44.5	21.97
CO-DETR R50	38.1	6.12

FPS测试说明：

• 测试环境：RTX 4090 GPU
• 输入尺寸：1024×1024
• 批处理大小：1
• 预热轮数：100
• 测试轮数：1000
• 使用FP32精度进行推理
• 包含了数据加载和预处理时间

各模型的详细实验结果可在对应目录下查看：

• 训练日志：nohup.out
• 评估结果：results.csv

贡献

欢迎提交Issue和Pull Request来帮助改进项目。

许可证

本项目采用MIT许可证。详见 LICENSE 文件。

联系方式

• 作者：Xiaochuan Zou
• 邮箱：zouxiaochuan@163.com