27、计算机视觉与机器学习：RT - DETR、知识蒸馏及DINO模型解析

最新推荐文章于 2025-11-25 02:37:03 发布

cuda7parallel

最新推荐文章于 2025-11-25 02:37:03 发布

阅读量92

点赞数

CC 4.0 BY-SA版权

分类专栏： PyTorch计算机视觉实战文章标签：计算机视觉机器学习 RT-DETR

本文链接：https://blog.youkuaiyun.com/cuda7parallel/article/details/151062711

PyTorch计算机视觉实战专栏收录该内容

33 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

计算机视觉与机器学习：RT - DETR、知识蒸馏及DINO模型解析

1. RT - DETR实时目标检测器

2023年7月6日，百度的Wenyu Lv及其同事发布了基于视觉变换器的实时目标检测器RT - DETR。该检测器无需非极大值抑制（NMS）等后处理操作，其高效的混合编码器降低了实时目标检测的计算成本，在速度和准确性上均优于同规模的最先进YOLO检测器。

我们可以从ultralytics网站下载大模型和超大模型的预训练权重文件，文件大小约为100MB。以下是使用预训练RT - DETR模型进行目标检测的代码示例：

from ultralytics import RTDETR, YOLO 
import matplotlib.pyplot as pit
import cv2; import glob; from tqdm import tqdm; import time

baidu = RTDETR( 'rtdetr-x.pt') 
# 'rtdetr-l.pt'., 'rtdetr-x.pt'
baidu.model.names = YOLO("yolov8n.pt").model.names #for object labels—line 05 
source = 'd:/Stamped2023-5.jpg' # use your image file path in your computer 
results = baidu(source, verbose=False, save=False)[0].plot()
pit.imshow(cv2.cvtColor(results, cv2.COLOR_BGR2RG