如何调整不同DEYO的模型尺寸？

[LittleRain626]

您好，很感谢您的优秀工作，我在使用您的代码的时候遇到了一些问题，希望能得到您的解答。

• 在readme中提到根据修改配置文件yolov8-rtdetr.yaml来改变模型尺寸，请问具体是怎么修改呢？
• 通过model=RTDETR("yolov8-rtdetr.yaml)定义的模型层数为392层，参数量为4349784，梯度为4349768，浮点运算量为7.6GFLOPs。这个数据和您在readme中提供的不一致，请问通过model=RTDETR("yolov8-rtdetr.yaml)定义的模型属于n/s/m/l/x中的哪个模型？
• 在readme中model=RTDETR("yolov8-rtdetr.yaml)之后是model.load("yolov8n.pt")，我也尝试在这里加载之前训练好的L模型，但是加载后发现统计模型的参数量与第二个问题中一致，在您的论文中提到的是两阶段的训练，我理解的是加载训练好的YOLOv8模型的除检测头以外的权重，再第二阶段只对RTDETR的检测头进行训练，但是请问为什么加载不同尺度的模型都可以，不会出现报错，并且加载不同模型前后参数量都与第二个问题中提到的一致？
• 在readme中提到可以关闭CDN，请问具体是通过哪个参数呢？

希望能尽快得到您的回复，非常感谢！

[ouyanghaodong]

我们将您的问题分为以下几点逐一回答：

1. readme里面四舍五入了，没有写精确参数，我们提供的代码默认是DEYO-tiny模型。
2. 加载不同权重确实不会报错，但是权重实际上没有被加载到DEYO上。
3. 您需要保证DEYO的的尺度与YOLOv8的尺度一致才能被正确加载。您可以通过在yolov8-rtdetr.yaml中简单的注释来选择不用尺寸，下面是选择尺度M的例子：

   # Parameters
   nc: 80  # number of classes
   scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
   # [depth, width, max_channels]
   # n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
   # s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
   m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
   # l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
   # x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

4. 关闭CDN您可以简单修改 ultralytics/nn/modules/head.py 中的 RTDETRDecoder。首先您需要在forward中找到 Prepare denoising training， 然后按照下面的方式修改：

   
   dn_embed, dn_bbox, attn_mask, dn_meta = get_cdn_group(
                       batch,
                       self.nc,
                       self.num_queries,
                       self.denoising_class_embed.weight,
                       self.num_denoising,
                       self.label_noise_ratio,
                       self.box_noise_scale,
                       False,
               )

[ouyanghaodong]

此外，对于尺度调整，您还需要根据我们readme中提供的参数配置RTDETRDecoder：

# Open ultralytics/nn/modules/head.py 
# Find RTDETRDecoder
# DEYO-tiny nq=100 hd=64  o2m: yolov8n
# DEYO-N    nq=300 hd=128 o2m: yolov8n
# DEYO-S    nq=300 hd=128 o2m: yolov8s
# DEYO-M    nq=300 hd=256 o2m: yolov8m
# DEYO-L    nq=300 hd=256 o2m: yolov8l
# DEYO-X    nq=300 hd=320 o2m: yolov8x
def __init__(
   self,
   nc=80,
   ch=(512, 1024, 2048),
   hd=64,  # hidden dim
   nq=100,  # num queries
   ndp=4,  # num decoder points
   nh=8,  # num head
   ndl=6,  # num decoder layers
   d_ffn=1024,  # dim of feedforward
   dropout=0.0,
   act=nn.ReLU(),
   eval_idx=-1,
   # Training args
   nd=100,  # num denoising
   label_noise_ratio=0.5,
   box_noise_scale=1.0,
   learnt_init_query=False,
):

[LittleRain626]

我们将您的问题分为以下几点逐一回答：

1. readme里面四舍五入了，没有写精确参数，我们提供的代码默认是DEYO-tiny模型。
2. 加载不同权重确实不会报错，但是权重实际上没有被加载到DEYO上。
3. 您需要保证DEYO的的尺度与YOLOv8的尺度一致才能被正确加载。您可以通过在yolov8-rtdetr.yaml中简单的注释来选择不用尺寸，下面是选择尺度M的例子：

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  # n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  # s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  # l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  # x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

4. 关闭CDN您可以简单修改 ultralytics/nn/modules/head.py 中的 RTDETRDecoder。首先您需要在forward中找到 Prepare denoising training， 然后按照下面的方式修改：

dn_embed, dn_bbox, attn_mask, dn_meta = get_cdn_group(
                      batch,
                      self.nc,
                      self.num_queries,
                      self.denoising_class_embed.weight,
                      self.num_denoising,
                      self.label_noise_ratio,
                      self.box_noise_scale,
                      False,
              )

非常感谢您的回复！