企业官网建设流程全解析

选哪个配置？GroundingDINO两大配置SwinT vs SwinB实战对比与完整选择指南

【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 这个零样本开放词汇目标检测框架的仓库里，躺着两个配置文件：SwinT_OGC 和 SwinB_cfg，到底该用哪个？先给结论：实时、资源受限选 SwinT；高精度离线选 SwinB。下面是判断逻辑、实测数据和最短可运行的验证命令，看完可以直接做决定。

先立判断：精度、速度、资源的三维取舍

多数实时场景下 SwinT 就够用，SwinB 只留给真正追求更高精度且显存富余的场景。

两套配置的骨架其实完全一样：相同的 Transformer 编解码层数、900 个检测查询、同一个 BERT 文本编码器，差异只在骨干网络——SwinT 用 224×224 输入、ImageNet-1K 预训练；SwinB 用 384×384 输入、ImageNet-22K 预训练。所以选配置这件事，本质是三个维度上做取舍：

• 精度：SwinB 在不同基准上领先约 3~8 AP；
• 速度：SwinB 单张推理耗时约为 SwinT 的 2 倍；
• 资源：SwinB 参数量约为 SwinT 的 4 倍，显存需求接近翻倍。

关键差异一览：两套配置只有5个地方不同

把与决策无关的参数全部剥掉，两个配置文件只差这 5 处：

其余参数（enc_layers=6、dec_layers=6、nheads=8、num_queries=900、文本编码器等）逐项相同，这意味着两套配置可以无缝切换，上层应用代码一行都不用改。

实测AP：精度差距到底有多大

精度差距是真实的但有限：COCO 零样本上 SwinB 只领先约 2.8 AP，数据越多、经过微调后差距才越拉越大。

• COCO 零样本：SwinT 46.7 AP，SwinB 约 49.5 AP；
• COCO 微调：SwinT 56~57 AP，SwinB 62~63 AP，差距约 6 AP；
• ODinW 零样本：22.3 vs 26.1 AP；
• ODinW 少样本：38.9 vs 46.4 AP，差距约 7.5 AP，是 SwinB 优势最明显的设置；
• ODinW 全样本：62.6 vs 70.7 AP，差距接近 8 AP。

场景对号入座：如果你是……就选……

💡 别只盯着基准数字，先对号自己的场景：

• 如果你在跑实时视频（监控、机器人导航、直播分析）→ 选SwinT，100~150ms/张 的耗时预算才谈得上帧率；
• 如果你在离线处理图像且追求最高精度（遥感解译、高精度标注）→ 选SwinB，6~8 AP 的提升通常值回票价；
• 如果你的显存不足 16GB→ 只能SwinT，SwinB 推理最低就要 16GB 显存起步；
• 如果你在快速做原型或论文跑 baseline→ 先用SwinT，等结论对精度敏感时再换 SwinB 出最终数字；
• 如果你有 3090/A100 级服务器资源且任务长期运行→SwinB值得上，显存溢价的摊薄成本很低。

零样本检测效果最快验证：10行命令跑通两套配置

在仓库根目录用官方 demo 脚本 demo/inference_on_a_image.py 直接跑，把两套官方权重放进 weights/ 目录，连仓库自带的示例图都能拿来试手感：

# SwinT配置 python demo/inference_on_a_image.py \ --config_file groundingdino/config/GroundingDINO_SwinT_OGC.py \ --checkpoint_path weights/groundingdino_swint_ogc.pth \ --image_path .asset/cat_dog.jpeg \ --text_prompt "cat . dog ." \ --output_dir outputs # SwinB配置：把 config_file 与 checkpoint_path 换成SwinB版本再跑一遍

跑完打开 outputs/pred.jpg 就是检测结果，两套配置的差别肉眼可见。需要量化评估时，用 demo/test_ap_on_coco.py 在完整数据集上算 COCO AP。

进阶选项：资源受限时真正落地的两个省显存手段

资源紧张时不必罗列一堆优化方法，先做这两件就够：

1. 混合精度推理（FP16/BF16）：两套配置都适用，显存大约减半，速度几乎不掉，是性价比最高的第一步；
2. TensorRT 量化（针对 SwinT）：目标若是端侧部署，SwinT 量化到 INT8 后耗时预算还能再压缩一截，SwinB 量化的收益和工程成本都不划算。

总结：一句话选择建议与三步学习路径

⚡ 一句话：要实时、要省资源就 SwinT；拿资源换精度就 SwinB；仍拿不准，就把两套权重在同一批 10 张图上各跑一遍，让结果替你说话。

学习路径建议：

1. 先跑通 demo/inference_on_a_image.py，熟悉输入输出格式；
2. 对照阅读 groundingdino/config/ 下的两个配置文件，结合上文架构图理解文图交叉注意力链路；
3. 想深挖时，再进入 groundingdino/models/ 阅读核心模型实现。

【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