D-FINE 在 COCO 数据集上以 78 FPS 的速度取得了 59.3% 的平均精度 (AP)，远超 YOLOv10、YOLO11、RT-DETR v1/v2/v3 及 LW-DETR 等竞争对手，成为实时目标检测领域新的领跑者。目前，D-FINE 的所有代码、权重以及工具已开源，包含了详细的预训练教程和自定义数据集处理指南。

1 引言

在当前内卷严重的实时目标检测 (Real-time Object Detection) 领域，性能与效率始终是难以平衡的核心问题。绝大多数现有的 SOTA 方法仅依赖于更先进的模块替换或训练策略，导致性能逐渐趋于饱和。

为了打破这一瓶颈，来自中科大的研究团队提出了 D-FINE，重新定义了边界框回归任务。不同于传统的固定坐标预测，D-FINE 创新了两种方法：细粒度分布优化 (FDR) 和全局最优定位自蒸馏 (GO-LSD)。通过将回归任务转化为细粒度的分布优化任务，D-FINE 不仅显著简化了优化难度，还能够更精确地建模每条边界的不确定性。此外，D-FINE 将定位知识 (Localization Knowledge) 融入到模型输出，通过高效的自蒸馏策略在各层共享这些知识，因而在不增加额外训练成本的前提下，实现了性能的进一步显著提升。

D-FINE: Redefine Regression Task of DETRs as Fine-grained Distribution Refinement

https://github.com/Peterande/D-FINE

凭借这些创新，D-FINE 在 COCO 数据集上以 78 FPS 的速度取得了 59.3% 的平均精度 (AP)，远超 YOLOv10、YOLO11、RT-DETR v1/v2/v3 及 LW-DETR 等竞争对手，成为实时目标检测领域新的领跑者。目前，D-FINE 的所有代码、权重以及工具已开源，包含了详细的预训练教程和自定义数据集处理指南。

研究团队分别使用 D-FINE 和 YOLO11 对 YouTube 上的一段复杂街景视频进行了目标检测。尽管存在逆光、虚化模糊和密集遮挡等不利因素，D-FINE-X 依然成功检测出几乎所有目标，包括背包、自行车和信号灯等难以察觉的小目标，其置信度、以及模糊边缘的定位准确度明显高于 YOLO11x。

2 细粒度分布优化 (FDR)

FDR (Fine-grained Distribution Refinement) 将检测框的生成过程分解为：

初始框预测：与传统 DETR 方法类似，D-FINE 的解码器会在第一层将 Object Queries 转换为若干个初始边界框。这些边界框只用于初始化，不需要特别精确。

细粒度的分布优化：与传统方法不同，D-FINE 的解码层不会直接预测新的边界框，而是基于初始边界框生成四组概率分布，并通过逐层优化对其进行调整。这些概率分布本质上是检测框的一种「细粒度中间表征」。D-FINE 可以通过微调这些表征，不同幅度地独立调整各边缘。

具体流程如图所示：

将边界框回归任务重新定义为 FDR 有以下优点：

过程简化：在传统 L1 损失和 IoU 损失进行优化的基础上，模型还通过标签和预测结果之间的「残差」进一步约束这些中间态的概率分布。这使得每个解码层能够更有效地关注当前的定位误差。随着层数增加，优化的目标变得更加简单，从而简化了整体的优化过程。

对复杂场景的鲁棒性更强：FDR 中概率的高低本质上反应了模型对边界微调的自信程度。这使得 D-FINE 能够在不同网络深度下对每条边的不确定性独立建模，从而使模型真正地理解定位的好坏。在遮挡、运动模糊和低光照等复杂的实际场景下，D-FINE 表现出了更强的鲁棒性，相比直接回归四个固定值的方法要更为稳健。

灵活的优化机制：D-FINE 通过加权求和将概率分布转化为最终的边界框偏移值。指数型加权函数 W (n) 保证了能够在初始框准确时进行细微调整，在必要时提供大幅度修正。

可扩展性：FDR 通过将回归任务定义为同分类任务一致的概率分布预测问题，这使得目标检测模型可以更好地受益于知识蒸馏、多任务学习和分布优化等更多领域的创新，从而更有效地适应和整合新的技术，突破传统方法的局限。

3 全局最优定位自蒸馏机制 GO-LSD

GO-LSD (Global Optimal Localization Self-Distillation) 可以将知识蒸馏无痛应用到 FDR 框架检测器。基于 FDR 框架的目标检测器既可以实现知识传递，又可以保持一致的优化目标。

新任诺贝尔物理学奖得主 Geoffrey Hinton 在《Distilling the Knowledge in a Neural Network》一文中提到：概率即 「知识」。FDR 将概率分布变成了网络输出，并搭载了定位知识 (Localization Knowledge)。因此，仅计算 KL 散度损失就能将这些「知识」从深层传递到浅层。由于 FDR 架构中每一个解码层都共享一个共同目标，即减少初始边界框与真实边界框之间的残差。因此最后一层生成的精确概率分布可以作为前面每一层的最终目标，并通过蒸馏引导前几层。

由于 FDR 架构中每一个解码层都共享一个共同目标：减少初始边界框与真实边界框之间的残差；因此最后一层生成的精确概率分布可以作为前面每一层的最终目标，并通过蒸馏引导前几层。

研究团队在 FDR 的框架上进一步提出了全局最优定位自蒸馏 GO-LSD，在网络层间实现了定位知识蒸馏，进一步扩展了 D-FINE 的能力，具体流程如图：

FDR 与 GO-LSD 产生了一种双赢的「合力」：随着训练的进行，最后一层的预测将变得越来越准确，其生成的软标签也能够更好地帮助前几层提高预测准确性。反过来，前几层将更快地定位到准确位置。这相当于深层的优化任务得到了简化，从而进一步提高了整体准确性。

4 实验结果

在 COCO 数据集上，D-FINE-L 和 D-FINE-X 分别以 8.07 ms (124 FPS) 和 12.89 ms (78 FPS) 的时延取得了 54.0% 和 55.8% 的 AP，远超其余所有实时目标检测器，打败了 YOLOv10 (53.2%，54.4%)、YOLO11 (53.4%，54.7%) 及 RT-DETRv2 (53.4%，54.6%)。

在 Objects365 上进行了简单的有监督预训练后，D-FINE 的准确率达到了 59.3% AP。在 paperwithcode 网站的 Real-Time Object Detection on MS COCO benchmark 上，D-FINE 的速度和性能都远超其他方法，取得了 Top1 的成绩。

相比 baseline RT-DETR，D-FINE-L 和 D-FINE-X 大幅降低了参数量和计算复杂度。在推理速度显著提升的同时，分别取得了 1.8% 和 3.2% 的显著性能提升。

更轻量化的 D-FINE-S 和 D-FINE-M 在 T4 GPU 上分别以 3.49 ms (287 FPS) 和 5.62 ms (178 FPS) 的时延下取得了 48.5% 和 52.3% 的 AP，超过 YOLOv10 (46.3%，51.1%)、YOLO11 (46.6%，51.2%) 及 RT-DETRv2 (48.1%，49.9%)。预训练后，D-FINE-S 和 D-FINE-M 分别取得了 50.7% 和 55.1% 的 AP。

虽然 FDR 和 GO-LSD 能够显著提高性能，但不会直接让网络更快或更轻。为了解决这个问题，研究团队对 DETR 架构进行了轻量化处理。这些调整不可避免地让性能有所下降，但 D-FINE 方法最终实现了速度、参数、计算量与性能的平衡。下表展示了从 baseline 到 D-FINE 的逐步修改过程。每一步都含展示了模型在 AP 、参数量、时延以及 FLOPs 上的变化。

研究团队对一系列非实时的 DETR 检测模型应用了 FDR 和 GO-LSD。实验证明，在几乎没有额外参数量和算力的情况下，最高提升了 5.3% 的 AP，证明了方法的鲁棒性和泛化性。

根据消融实验，含有 FDR 的检测器和原始检测器在速度、参数量和计算复杂度上几乎没有区别，可以实现无缝替换。

研究团队分析了训练成本，发现额外的时间和显存消耗主要来自生成用于监督分布的 FGL Loss 标签。通过对 D-FINE 进行的进一步优化，这些额外的训练时间和显存占用被控制在 6% 和 2% 以内，对整体影响很小。

D-FINE 预测的可视化

以下是 D-FINE 在各种复杂检测场景中的预测结果。这些场景包括遮挡、低光照、运动模糊、景深效果和密集场景。可以看出，面对这些具有挑战性的场景，D-FINE 能够产生准确的定位结果。

下图展示了第一层和最后一层的预测结果、对应四条边的分布、以及加权后的分布。可以看出，预测框的定位会随着分布的优化而变得更加精准。

5 总结和局限

D-FINE 将边界框回归转化为逐层优化的概率分布预测，显著提升了模型在多任务场景中的兼容性。D-FINE 为目标检测模型的设计提供了一条新思路，后续可以考虑进一步挖掘 D-FINE 在跨任务学习和模型轻量化方面的潜力。

D-FINE 也有一些局限：相比于大模型， D-FINE 的轻量化版本对于性能提升不太明显。这可能是因为浅层解码器的预测精度不高，无法有效将定位信息传递给前几层。

未来的研究可以考虑在提高轻量化模型定位能力的同时，避免增加推理延迟。一种思路是继续改进架构设计，尝试在训练时引入额外的异构解码层，在推理时丢弃这些层，保持模型的轻量化。如果训练资源足够，还可以直接用大模型对小模型进行蒸馏，而不是依赖自蒸馏。

6 思考和展望

2024 年，实时目标检测领域经历了多次版本迭代，YOLO 系列先后推出了 YOLOv9、YOLOv10，以及 YOLO11。而 DETR 系列则在 RT-DETR 之后，陆续推出了 LW-DETR、RT-DETRv2 和 RT-DETRv3。

这两类模型的重要突破，实质上得益于相互借鉴和融合。RT-DETR 引入了 YOLO 的 RepNCSP 模块，以替代冗余的多尺度自注意力层，通过重新设计轻量化的混合编码器，实现了实时 DETR；而 YOLOv10 借鉴了 DETR 的匹配策略，通过训练额外的一对一检测头，对密集 anchor 预测进行自动筛选，避免了 NMS 后处理，显著提升了速度。此外，YOLOv10 和 YOLO11 也引入了自注意力机制，进一步增强了大尺度目标的检测性能。

尽管这些改进取得了显著的效果，但社区对未来的发展方向产生了疑问：在两类模型趋于一致的背景下，实时目标检测的下一步将如何发展？可以预见，在目标检测这一竞争激烈的领域，继续进行模块替换的收益将逐渐减少，可能很快遇到瓶颈。

而基于传统框架的训练策略改进，或许对一些旧的网络（如常用的 Deformable DETR）有效，但应用于最新的 SOTA 网络时，往往难以取得明显的提升，甚至可能产生负面影响。特别是对于计算资源有限的小型团队，即使是精妙的训练策略，若缺乏大规模的超参数搜索，也难以取得预期的效果。

D-FINE 的出现，为目标检测带来了全新的思路。通过引入 FDR 和 GO-LSD，D-FINE 重新定义了目标检测中的边界框回归任务。这种创新有望突破当前的瓶颈，为实时目标检测领域提供新的发展方向。