本公开提供了一种神经网络模型训练、目标检测方法、装置、设备以及介质，其中，该方法包括：获取多个目标图像组；其中，每个目标图像组包含对应原始图像的多个视角图像，每个视角图像均包含该原始图像中的目标对象；确定每个所述目标图像组中与每个编解码器对应的两个视角图像；基于每个所述编解码器对相应两个视角图像的第一图像中位于目标对象的包围框内的局部图像特征和该两个视角图像的第二图像的整体图像特征进行处理，得到每个所述编解码器的预测结果；每个预测结果包括：第二图像中目标对象的预测包围框和第一图像中目标对象的特征信息；基于全部所述编解码器的预测结果训练Transformer模型，并基于训练后的Transformer模型训练目标网络模型。