本文共 640 字，大约阅读时间需要 2 分钟。

D-FINE: 重新定义边界框回归任务

在当前实时目标检测领域，性能与效率的平衡始终是核心挑战。现有最先进的方法往往通过更换模块或优化训练策略来提升性能，而这些改进似乎已经接近了性能的极限。为了突破这一瓶颈，来自中国科学技术大学的研究团队提出了D-FINE，彻底改变了边界框回归任务的定义。

传统的边界框回归任务采用固定坐标预测，虽然简单却难以充分建模边界的不确定性。D-FINE团队提出了两种关键创新：细粒度分布优化（FDR）和全球最优定位自蒸馏（GO-LSD）。通过将回归任务转化为细粒度的分布优化问题，D-FINE不仅显著降低了优化难度，还更好地建模了每条边界的不确定性。此外，D-FINE将定位知识融入模型输出，通过自蒸馏策略在不同层级共享定位信息，从而在不增加额外训练成本的情况下，实现了性能的全面提升。

在COCO数据集上，D-FINE以每秒59.3%的平均精度（AP）和78帧每秒（FPS）的速度，超越了YOLOv10、YOLO11、RT-DETR v1/v2/v3以及LW-DETR等竞争对手，成为实时目标检测领域的新一代领跑者。目前，D-FINE的所有代码、权重以及工具已开源，研究人员和开发者可以立即体验和应用这一创新技术。

D-FINE的成功源于其独特的技术架构和深入的理论创新。作为一名博士生，我认为D-FINE不仅展示了中国科研团队的技术实力，更为实时目标检测领域带来了全新的思考方式。未来，随着更多高质量模型的提出，这一领域必将迎来更加激动人心的发展。

转载地址：http://prsfk.baihongyu.com/