GroundingDINO 配置选型：SwinT 还是 SwinB，从一行 backbone 参数说起

GroundingDINO 配置选型：SwinT 还是 SwinB，从一行 backbone 参数说起

【免费下载链接】GroundingDINO[ECCV 2024] Official implementation of the paper "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"项目地址: https://gitcode.com/GitHub_Trending/gr/GroundingDINO

GroundingDINO 配置选型，结论先行：默认 SwinT，只有离线高精度任务才上 SwinB。两个 config 只差一行backbone参数，它决定了输入分辨率、预训练数据和参数量，进而决定你的显存账单和推理速度。

🚀 从最小推理命令看配置入口

装好后跑通一条推理命令，就能看清配置是怎么参与的：

CUDA_VISIBLE_DEVICES=0 python demo/inference_on_a_image.py \ -c groundingdino/config/GroundingDINO_SwinT_OGC.py \ -p weights/groundingdino_swint_ogc.pth \ -i your_image.jpg \ -o outputs/ \ -t "cat . dog"

-c指向超参文件，-p指向权重。这两者成对出现：官方给了groundingdino_swint_ogc.pth配GroundingDINO_SwinT_OGC.py，groundingdino_swinb_cogcoor.pth配GroundingDINO_SwinB_cfg.py，不能混搭。环境安装很简单：

git clone https://gitcode.com/GitHub_Trending/gr/GroundingDINO cd GroundingDINO && pip install -e .

装完如果报NameError: name '_C' is not defined，是 CUDA 扩展没编译成功，按 README 设置CUDA_HOME后重装即可。

📝 两个 config 文件的逐行 diff

把两个配置文件并排看：43 行里只有第 3 行不同，其余 42 行一字不差。

# 两个文件唯一的差异 backbone = "swin_T_224_1k" # SwinT_OGC.py backbone = "swin_B_384_22k" # SwinB_cfg.py

Transformer 主干的参数两个文件完全一致：enc_layers = 6、dec_layers = 6、nheads = 8、hidden_dim = 256、num_queries = 900（默认输出 900 个候选框，再按box_threshold/text_threshold过滤）、num_feature_levels = 4。也就是说，配置是可插拔的：换骨干网络时，上层推理代码一行不用改，只改命令里的-c和-p。

🔍 backbone 一个参数决定了什么

backbone这一行编码了三件事：SwiN 变体、输入分辨率、预训练数据集。swin_T_224_1k= Swin-Tiny + 224×224 输入 + ImageNet-1K 预训练；swin_B_384_22k= Swin-Base + 384×384 输入 + ImageNet-22K 预训练。

• 分辨率：384 的特征图面积是 224 的 3 倍，细节更多。同一张图，SwinB 更容易框准小目标，代价是预处理和推理都更久。
• 预训练语料：1K 还是 22K 个类别，直接关系"给一句没见过的描述能不能听懂"，这正是 GroundingDINO 开放词汇检测的核心能力来源。
• 参数量级：约 4 倍的差距决定了显存账单的档位差。

📊 COCO 数据与显存账单

官方 README 的 checkpoint 表给出两组数字：

注意：这两行数字不能直接比。SwinB 的训练数据混入了 COCO，SwinT 刻意避开了 COCO，所以 57.2 是纯零样本迁移的结果，含金量更高。SwinB 的优势更多体现在 ODinW 这类跨领域泛化基准上，趋势见官方图。

部署时真正卡脖子的还是显存和速度：

• 8GB 显存跑 SwinT 推理绰绰有余，batch size 还有空间；SwinB 推理需要 3090/4090 级别的卡，batch size 基本只能设为 1。
• 同一张图，SwinB 的总耗时约为 SwinT 的 2 倍，384 分辨率的预处理开销也更大。
• 两个配置默认都开了use_checkpoint = True（梯度检查点：重算中间激活换显存），微调时可以直接依赖它，不必自己降 batch 硬扛。

🧭 部署选型：先问瓶颈在精度还是延迟

选型别从"哪个更强"开始，先问：你的瓶颈是模型精度，还是工程优化？

• 实时视频流、边缘盒子、8GB 卡 →选 SwinT，别犹豫。224 输入的预处理开销小，单卡能持续出帧。
• 服务器端离线批处理、漏检代价高 →选 SwinB。384 输入对小目标更友好，单张慢约 2 倍在离线场景里无感。
• 想给推理加速：两个配置都走 TensorRT/ONNX 路线，但注意加速不改变两者相对差异，别指望把 SwinB 优化到 SwinT 的水平。

选型速查 ✅

1. 默认 SwinT；只有确认精度瓶颈来自模型本身（而非后处理阈值调优）且卡是 3090/4090 级别时，再考虑 SwinB。
2. 权重与配置必须成对：swint_ogc权重配GroundingDINO_SwinT_OGC.py，swinb_cogcoor权重配GroundingDINO_SwinB_cfg.py，混搭会加载失败或精度异常。
3. 换配置只改命令行-c和-p两个参数，上层代码零改动——这是官方可插拔设计，放心用。
4. 微调显存不够时，先确认use_checkpoint = True已开启（两个配置默认就是），再谈梯度累积等其他手段。
5. 跑新配置前先用 demo/test_ap_on_coco.py 过一遍，确认 COCO 零样本结果与官方 48.5 左右一致，排除 CUDA 扩展没编译成功的坑。

【免费下载链接】GroundingDINO[ECCV 2024] Official implementation of the paper "Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection"项目地址: https://gitcode.com/GitHub_Trending/gr/GroundingDINO