李傲天1. DAMO-YOLO项目概述
DAMO-YOLO是阿里达摩院开源的高性能目标检测框架，基于YOLO系列算法改进优化而来。这个项目最吸引人的特点是它在保持YOLO系列实时性的同时，通过引入更高效的网络结构和训练策略，显著提升了检测精度。我在实际使用中发现，相比YOLOv5/v7，DAMO-YOLO在小目标检测和密集场景下的表现尤为突出。
这个环境搭建教程将完整覆盖Windows和Ubuntu双平台，从基础环境配置到模型训练全流程。不同于官方文档，我会重点分享在多平台部署时遇到的典型问题及解决方案。我们使用的数据集是标准的COCO格式，这意味着任何符合COCO标注规范的目标检测任务都可以直接套用这套方案。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境搭建准备
2.1 硬件与系统要求
建议配置至少6GB显存的NVIDIA显卡（GTX 1060及以上），16GB内存。我测试过的配置组合包括：
- Windows 10/11 + CUDA 11.3
- Ubuntu 20.04/22.04 + CUDA 11.6
特别注意：Windows系统建议使用WSL2方案获得更好的兼容性，纯原生Windows环境可能会遇到torch编译问题。
2.2 基础依赖安装
对于Windows平台：
bash复制conda create -n damo_yolo python=3.8
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch
Ubuntu平台推荐使用docker方案：
bash复制docker pull nvidia/cuda:11.6.2-base-ubuntu20.04
docker run --gpus all -it --name damo_yolo nvidia/cuda:11.6.2-base-ubuntu20.04
3. DAMO-YOLO源码部署
3.1 代码获取与结构解析
克隆官方仓库并安装依赖：
bash复制git clone https://github.com/damo-cv/damo-yolo.git
cd damo-yolo
pip install -r requirements.txt
项目主要目录结构说明：
configs/: 包含各种模型配置（tiny/s/m/l等）tools/: 训练和评估脚本damo/: 核心算法实现data/: 数据集配置模板
3.2 环境验证测试
运行快速测试确保环境正确：
bash复制python tools/train.py -f configs/damo_yolo_tiny.py --eval
常见报错解决方案：
- CUDA out of memory：减小batch_size
- ImportError: libGL.so.1：安装
apt-get install libgl1 - Torch版本不匹配：严格按推荐版本安装
4. 数据集准备与训练
4.1 COCO格式数据适配
标准目录结构示例：
code复制datasets/
└── coco/
├── annotations/
│ ├── instances_train2017.json
│ └── instances_val2017.json
├── train2017/
└── val2017/
修改数据集配置文件data/coco.yaml：
yaml复制train: ../datasets/coco/train2017
val: ../datasets/coco/val2017
nc: 80 # 类别数
names: [...] # 类别名称列表
4.2 训练参数调优
关键训练参数建议：
python复制# configs/damo_yolo_s.py
batch_size: 16 # 根据显存调整
lr0: 0.01 # 初始学习率
warmup_epochs: 3 # 热身epochs
启动训练命令：
bash复制python tools/train.py -f configs/damo_yolo_s.py \
--batch 16 \
--epochs 300 \
--data data/coco.yaml \
--weights '' \
--cfg damo_yolo_s.yaml
5. 模型改进与优化
5.1 小目标检测增强方案
修改neck部分配置：
python复制# damo/model/neck/afpn.py
with_spp = True # 启用空间金字塔池化
with_csp = False # 对小目标场景建议关闭跨阶段局部网络
5.2 检测框偏移修正
在damo/model/loss/yolox_loss.py中调整：
python复制self.iou_loss = IOUloss(
reduction="none",
loss_type="giou", # 改用CIOU效果更好
xywh=True
)
6. 跨平台部署技巧
6.1 Windows特定问题解决
- 解决pycocotools安装失败：
bash复制pip install pycocotools-windows
- 共享内存问题处理：
python复制# tools/train.py
import os
os.environ['PYTHONWARNINGS'] = 'ignore:semaphore_tracker:UserWarning'
6.2 Ubuntu性能优化
- 启用DDP分布式训练：
bash复制python -m torch.distributed.launch \
--nproc_per_node=2 \
tools/train.py -f configs/damo_yolo_m.py
- 内存优化配置：
bash复制export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128
7. 模型导出与推理
7.1 ONNX导出
bash复制python tools/export_onnx.py \
--weights runs/train/exp/weights/best.pt \
--img-size 640 640 \
--batch-size 1 \
--simplify
7.2 TensorRT加速
使用官方转换工具：
bash复制./trtexec --onnx=damo_yolo.onnx \
--saveEngine=damo_yolo.engine \
--fp16 \
--workspace=2048
8. 常见问题实录
我在实际部署中遇到的典型问题：
-
训练初期loss震荡大
- 解决方案：增加warmup_epochs到5，降低初始lr0到0.001
-
验证集mAP异常低
- 检查点：确认数据标注是否正确，特别是小目标标注是否完整
-
Ubuntu下Dataloader卡死
- 修改num_workers为CPU核心数的1/2
-
Windows显存泄漏
- 在训练脚本开头添加torch.backends.cudnn.benchmark = False
这套环境经过我在多个实际项目中的验证，包括工业质检和遥感影像分析场景。对于想要快速上手DAMO-YOLO的开发者，建议先从tiny模型开始实验，再逐步尝试更大模型。训练时务必监控GPU利用率，过低可能意味着数据加载存在瓶颈。