YOLOv8官方仓库正式支持RT-DETR训练、测试以及推理

最新推荐文章于 2025-06-04 21:37:50 发布
最新推荐文章于 2025-06-04 21:37:50 发布
阅读量1.9k 收藏 10
点赞数 12
CC 4.0 BY-SA版权
分类专栏： 目标检测算法改进系列 文章标签： YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/DM_zx/article/details/137074185

YOLOv8太卷啦 | YOLOv8官方仓库正式支持RT-DETR训练、测试以及推理

在这里插入图片描述
RT-DETR由百度开发，是一款端到端目标检测器，在保持高精度的同时提供实时性能。它利用ViT的强大特性，通过解耦尺度内交互和跨尺度融合来有效处理多尺度特征。
RT-DETR具有很强的适应性，支持使用不同的解码器层灵活调整推理速度，而无需重新训练。该模型在具有TensorRT的CUDA等加速后端方面表现出色，优于许多其他实时目标检测器。

1. 使用方法

在这里插入图片描述

2. YOLOv8中RT-DETR精度

在这里插入图片描述

3. RT-DETR-L的YAML

# Ultralytics YOLO 🚀, AGPL-3.0 license
# RT-DETR-l object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/rtdetr

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constant
最低0.47元/天 解锁文章

200万优质内容无限畅学
YOLOv8改进，YOLOv8添加MLCA注意力机制(混合局部信道注意)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-22 1313
MLCA是一种即插即用的可扩展混合局部注意力机制，以在检测效果、速度和模型参数数量之间实现平衡，并使注意力机制同时包含通道信息、空间信息、局部通道信息和全局通道信息。
AI：230-YOLOv8与RT-DETR的完美结合 | 重塑目标检测技术的前沿【保姆级教程】
一键难忘的博客
08-12 3444
YOLOv8 继承了 YOLO 系列的轻量化和高效性，通过优化网络架构和训练策略，实现了在主流数据集上的领先表现。然而，YOLOv8 的检测头仍采用经典的 anchor-based 设计，这在处理高密度或多尺度目标时可能存在局限性。RT-DETR 是最近提出的一种基于 Transformer 的目标检测模型，采用了一种全新的 anchor-free 设计，通过自注意力机制实现了高效的目标检测。RT-DETR 的检测头能够捕获更广泛的上下文信息，从而提高检测的准确性，尤其在处理小目标和复杂场景时表现突出。
【使用YOLOv8下的RT-DETR训练自己的数据集】
weixin_44574971的博客
08-22 2518
对疟原虫细胞医学显微图像进行目标检测，使用RT-DETR对其进行检测训练，将原数据集分为训练集和验证集，测试集有单独的样本（不纳入训练）
yolov8中的rtdetr-l.yaml 和RT-detr
2301_79164062的博客
06-04 370
YOLOv8 是 Ultralytics 开发的基于 PyTorch 的目标检测框架，其文件是对 RT-DETR 的。
【YOLOv8/RT-DETR】“预测+追踪”以及result结果处理
qq_51248362的博客
10-29 1万+
本人最近正在使用YOLOv8和RT-DETR两个模型做小目标检测方面的研究，YOLOv8相信大家已经耳熟能详，而RT-DETR是百度新开发一款实时目标检测模型，是基于VIT算法的。尽管用的推理框架与YOLOv8不属于同一派别，但目前也已经集成到了YOLOv8的Ultralytics中，无论是预测、追踪还是结果处理与YOLOv8的方式都是一样的。本文在已经训练好模型的情况下，使用模型进行预测+追踪，并对追踪返回的results结果进行解析和处理。
YOLOv8太卷啦 | YOLOv8官方正式支持RT-DETR训练测试及推理
CV_Autobot的博客
06-19 6022
作者| 小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群RT-DETR由百度开发，是一款端到端目标检测器，在保持高精度的同时提供实时性能。它利用ViT的强大特性，通过解耦尺度内交互和跨尺度融合来有效处理多尺度特征。RT-DETR具有很强的适应性，支持使用不同的解码器层灵活调整推理速度，而无需重新训练。该模型...
深度学习项目之RT-DETR训练自己数据集
qq_37269626的博客
06-04 1439
是百度和视觉学界联合提出的一种端到端实时目标检测方法，是DETR 系列的加速优化版。它解决了原始DETR（2020）推理慢、收敛慢的问题，让 Transformer-based 检测器能在实时速率下工作，同时保持高精度。虽然RT-DETR比DETR精度更高，FPS更高，但是参数量依旧很大，普通显卡不够训练。未来考虑轻量化改进以及图像压缩等操作。
YOLOv10改进 | 检测头篇 | 给YOLOv10换个RT-DETR的检测头（重塑目标检测前沿技术）
Snu77的博客
07-15 1632
本文给大家带来是用RT-DETR模型的检测头去替换YOLOv10中的检测头。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR检测头融入YOLOv10，我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力，打造出一个更加强大的目标检测模型。亲测这一整合不仅提高了模型在复杂场景下的表现，还显著提升了对小目标和遮挡目标的检测能力。此外，模型在多种标准数据集。
YOLOv8改进 | 检测头篇 | 给YOLOv8换个RT-DETR的检测头（重塑目标检测前沿技术）
Snu77的博客
12-02 1万+
本文给大家带来是用最新的RT-DETR模型的检测头去替换YOLOv8中的检测头。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR检测头融入YOLOv8，我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力，打造出一个更加强大的目标检测模型。亲测这一整合不仅提高了模型在复杂场景下的表现，还显著提升了对小目标和遮挡目标的检测能力。此外，模型在多种标准数据集。
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
YOLO-v8和RT-DETR比较
m0_60857098的博客
08-30 5725
RT-DETR由于轻巧的设计也已经快于大部分YOLO，然后实际端到端应用的时候还是得需要加上NMS的...嗯等等，DETR类检测器压根就不需要NMS，所以一旦端到端使用，RT-DETR依然轻装上阵一路狂奔，而YOLO系列就需要带上NMS负重前行了，NMS参数设置的不好比如为了拉高recall就会严重拖慢YOLO系列端到端的整体速度。⒉.较高的准确率: YOLO V8在YOLO系列的基础上进行了改进，通过引入更多的技术手段，如特征金字塔网络、注意力机制等，提升了检测的准确率。⑥密集目标检测能力；
如何使用YOLOv8代码框架中的RT-DETR
qq_43471945的博客
11-22 3687
RT-DETR是由由此，百度推出了——RT-DETR (Real-Time DEtection TRansformer) ，一种基于 DETR 架构的实时端到端检测器，其在速度和精度上取得了 SOTA 性能。RT-DETR开源的代码在百度自己的飞桨paddlepaddle上，因此非常不便于我们使用。以下介绍一下YOLOv8集成的RT-DETR如何使用。
涨点！YOLOv8添加RT-DETR模型，提升实时目标检测精度
kay_545
03-11 2302
​​​​​​​⭐欢迎大家订阅我的专栏一起学习⭐。
【YOLOv8改进 - 检测头】 RT-DETR检测头，解决传统目标检测器中非极大值抑制（NMS）所带来的速度和准确性之间的平衡问题
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-02 1397
YOLO 系列因其在速度和准确性之间的合理平衡，已成为实时目标检测中最受欢迎的框架。然而，我们观察到 YOLO 的速度和准确性受到非极大值抑制（NMS）的负面影响。最近，基于 Transformer 的端到端检测器（DETRs）提供了一种替代方案来消除 NMS。然而，高计算成本限制了它们的实用性，并阻碍了它们充分利用不使用 NMS 的优势。在本文中，我们提出了实时检测 Transformer（RT-DETR），据我们所知，这是第一个解决上述困境的实时端到端目标检测器。
不翻墙安装yolov8环境下的RT-DETR并实现PCB表面缺陷检测
wqthaha的专栏
06-24 1447
通过不用翻墙就能实现yolo平台的RT-DETR使用，并迁移学习PCB表面缺陷检测。
【YOLOv8改进[Head检测头]】YOLOv8换个RT-DETR head助力模型更优秀
静谧、淡雅
04-23 2937
YOLOv8换个RT-DETR head助力模型更优秀
检测头篇 | 利用RT-DETR模型的检测头去替换YOLOv8中的检测头
突然好想你
04-03 734
RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR检测头融入YOLOv8，我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力，打造出一个更加强大的目标检测模型。🌈
无脑——010 复现yolov8 使用yolov8和rt detr 对比，并训练自己的数据集,标签自动标注
weixin_44298961的博客
08-10 9380
使用ultralytics框架运行yolov8，RTDETR
使用yolov8官方代码训练RTDETR的时候报错：NotImplementedError: WARNING ⚠️ ‘YOLO‘ model does not support ‘_new‘ mode
Sep21m_wyy的博客
07-05 3712
【代码】使用yolov8官方代码训练RTDETR的时候报错：NotImplementedError: WARNING ⚠️ 'YOLO' model does not support '_new' mode。
RT-DeTR
最新发布
07-11
### RT-DETR 技术概述 RT-DETR 是一种基于 DETR 的改进模型，旨在实现高效的实时目标检测。它通过优化 Transformer 架构并移除冗余计算来提升推理速度[^1]。相比于传统的 YOLO 系列方法，RT-DETR 不仅保留了 DETR 去 NMS 的特性，还显著提高了处理效率。 以下是关于 RT-DETR 的技术资料、实现代码以及使用教程的相关信息： --- ### 技术资料 #### 1. 论文与文档 RT-DETR 的核心理念和技术细节通常会在其官方论文或技术报告中详细介绍。可以访问以下链接获取最新版本的技术文档： - 官方 GitHub 页面可能提供详细的 README 文件和架构说明。 - 如果有公开的学术论文，可以通过 ArXiv 或其他期刊平台查找相关内容[^2]。 #### 2. 关键技术创新点 - **Transformer 结构优化**: RT-DETR 对标准 DETR 中使用的双向注意力机制进行了简化，减少了不必要的计算开销。 - **无锚框设计**: 继承自 DETR 的无锚框策略使得模型更加简洁高效。 - **实时性能增强**: 针对实际应用场景中的高帧率需求，RT-DETR 提出了多种加速技巧，例如动态调整特征图分辨率等[^3]。 --- ### 实现代码 目前许多开源项目已经实现了 RT-DETR 的功能模块，开发者可以直接利用这些资源进行研究或者部署工作。 #### 推荐仓库 - **GitHub 地址**: 查找关键词 `RT-DETR` 可找到多个社区维护的实现库。其中一些支持 PyTorch 和 TensorFlow 框架。 - **主要依赖项**: - Python >= 3.7 - PyTorch >= 1.8 (或其他指定框架版本) - CUDA Toolkit (如果需要 GPU 加速) #### 示例安装命令 ```bash git clone https://github.com/example/rt-detr.git cd rt-detr pip install -r requirements.txt ``` --- ### 使用教程 为了帮助初学者快速掌握如何配置和运行 RT-DETR，这里总结了一些基本操作指南。 #### 数据准备 确保数据集符合 COCO 格式或者其他被支持的标准格式。对于自定义数据集，则需编写相应的转换脚本将其适配至所需结构。 #### 训练流程 启动训练过程前，请先修改配置文件以适应具体硬件环境及任务需求。 ```python from rt_detr import Trainer, Config config = Config('path/to/config.yaml') trainer = Trainer(config) trainer.train() ``` #### 测试与评估 完成训练后可加载预训练权重并对测试图片执行预测操作。 ```python import cv2 from rt_detr.inference import InferenceEngine engine = InferenceEngine(model_path='weights.pth', device='cuda') image = cv2.imread('test_image.jpg') results = engine.predict(image) print(results) ``` --- ### 性能对比分析 | 方法 | mAP@0.5:0.95 | FPS @GPU(Tesla V100) | |------------|--------------|-----------------------| | DETR | ~42 | ~2 | | Faster R-CNN| ~36 | ~15 | | YOLOv5 | ~45 | ~30 | | RT-DETR | ~44 | ~25 | 从表中可以看出，在保持较高精度的同时，RT-DETR 达到了接近 YOLOv5 的吞吐能力[^4]。 ---
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的激励是我肝下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值