【RT-DETR有效改进】手把手带你调参RT-DETR，1：1复现官方版本实验环境

已于 2024-03-10 17:02:00 修改
阅读量6.9k 收藏 26
点赞数 17
分类专栏： RT-DETR有效改进专栏 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉 python RT-DETR
于 2024-01-29 07:45:00 首次发布
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/java1314777/article/details/135891340
版权
本文详述如何调参RT-DETR，使用ResNet18为例，解析yaml文件中RepC3的0.5含义，探讨优化器的选择与参数调整，包括AdamW优化器、学习率与warmup_epochs的设定。提供调参后的配置文件，适合论文发表前的实验准备。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

👑欢迎大家订阅本专栏，一起学习RT-DETR👑    

一、本文介绍

本文是带大家进行调参，利用ultralytics仓库1：1复现RT-DETR官方实验环境，从而在后期发表论文 的时候省去一些不必要的麻烦，例如被审稿人提出质疑，本文的调参内容均有依据，根据RT-DETR官方Github上发布的版本进行设置本文的调参以ResNet18为例，其余的版本调参基本一致，仅在yaml文件中 有区别，我在另一篇提供ResNet官方移植的版本中以及全部提供了，如果你购买了本专栏，本文内容为必看。

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR   

目录

一、本文介绍

二、ResNet18调参

2.1 ResNet18的yaml文件

2.1.1 RepC3的0.5什么含义

了解本专栏 订阅专栏 解锁全文
原论文一比一复现 | 更换 RT-DETR 主干网络为 【ResNet-50】【ResNet-101】【ResNet-152】| 对比实验必备
YOLOv8项目贡献者
11-14 2995
回归经典，更换 RT-DETR 主干网络为 【ResNet-50🏅】【ResNet-101🏅】【ResNet-152🏅】，同行别抄了行不行！
【RT-DETR有效改进】带你分析如何确定改进的基础模型，解决模型无法收敛精度很差的问题(ResNet官方一比一复现)
Snu77的博客
01-12 3677
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。其次我也将RT-DER的官方版本。
【代码复现】RT-DETR2（pytorch版）环境部署及训练
R_grace的博客
12-05 4671
RT-DETR是第一个实时端到端目标检测器，RT-DETR2 是基于 Transformer 的端到端检测器的。
【论文阅读/复现】RT-DETR的网络结构/训练/推理/验证/导出模型
最新发布
静谧、淡雅
04-29 1431
RT-DETR的网络结构/训练/推理/验证/导出模型
RT-DETR改进前必看 - Ultralytics调参 1：1还原RT-DETR官方版本实验环境，更方便改进
Limiiiing的博客
11-21 4267
的项目文件中集成了YOLOv3v5v6v8v9v10rt-detr11以及其中不同大小的模型结构，更方便我们学习和使用。的参数配置在路径下，其中中设置了模型在训练Train验证Val/Test预测Predict可视化Visualize导出Export超参数Hyperparameters、以及跟踪Tracker的相关参数。在调参过程中主要涉及训练Train和超参数Hyperparameters。下面主要介绍一下初始超参数Hyperparameters。
【目标检测--detr源码复现】
m0_57114626的博客
10-20 2135
DEtection TRansformer（DETR）是Facebook AI的研究者提出的Transformer的视觉版本，用于目标检测和全景分割。这是第一个将Transformer成功整合为检测pipeline中心构建块的目标检测框架。
DETR系列：RT-DETR实战部署
lansebingxuan的专栏
06-26 6002
上篇文章介绍RT-detr的论文内容（），本篇文章介绍算法复现、tensorRT加速、python调用部署、训练等方法。
原论文一比一复现 | 更换 RT-DETR 主干网络为 【VGG13】【VGG16】【VGG19】| 对比实验必备
YOLOv8项目贡献者
11-17 941
【VGG13】【VGG16】【VGG19】 原文结构复现
RT-DETR代码详解（官方pytorch版）——参数配置（1）
小小老大MUTA的博客
01-07 6574
RT-DETR代码详解（官方pytorch版）参数配置
DETR代码复现
张小达哒的博客
12-19 5111
本文来自官方，链接（需要科学上网）：Google Colab 论文链接：https://arxiv.org/abs/2005.12872 GitHub：https://github.com/facebookresearch/detr Object Detection with DETR - a minimal implementation In this notebook we show a demo of DETR (Detection Transformer), with slight differen
原论文一比一复现 | RT-DETR更换华为最新主干网络【VanillaNet-5】【VanillaNet-6】【VanillaNet-9】【VanillaNet-12】【VanillaNet-13】
YOLOv8项目贡献者
11-14 3276
原论文1比1复现，全网最全版本，想要的我都有！😎
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。
【RT-DETR有效改进】轻量级视觉变换器RepViT改进特征提取网络（轻量化网络）
Snu77的博客
01-17 3044
本位给大家带来的改进机制是RepViT。它是一种最新发布的网络结构，把轻量级的视觉变换器（就是ViT）的设计理念融入到了我们常用的轻量级卷积神经网络（CNN）里。我尝试把它用在RT-DETR的主干网络上，效果还不错，mAP有一定的提高。我用的是这个网络中最轻量级的版本。我将其用于在我的数据上实验（包含多个类别其中包含大中小多个目标类别），无论哪种目标，精度均有所提升。接下来，我会展示一下原始版本和我改进后版本在训练上的对比图。之后会在文章中介绍该网络结构，然后教大家如何修改该网络结构。
【RT-DETR有效改进】2024最新ECCV最新大感受野的小波卷积WTConv二次创新RepC3
Snu77的博客
10-13 2528
本文给大家带来的改进机制是一种新的卷积层，称为WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更为高效、鲁棒且易于集成的卷积层解决方案，我将其用于二次创新RT-DETR中的RepC3机制可以减少参数量和计算量，达到一个可观的轻量化作用。
学习笔记：RT-DETR训练自己的数据集(Pytorch)
x_rain_jay的博客
07-03 2637
简单按照参考文章1下载代码并尝试运行流程：前面与其保持一致，在第二步选择了自制数据集，因此在第三步有所不同，具体为我复制生成了一个新的yml文件，将其中的类别数改为自制数据集中的类别数（暂时未+1，detr中是需要＋1的，后续有改动会补充）至参考文章1的步骤三时，由于我使用的是自制的数据集，所以需要修改rtdetr_r18vd_6x_coco.yml路径。2.配置文件中的路径最好是绝对路径，因为这个官方代码的层级还是蛮多的，容易把人绕晕。将图片中的第一行中的路径修改正确即可。在运行后，遇到报错如下。
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 9299
使用ultralytics框架运行yolov8，RTDETR
RT-DETR论文解读与代码
qq_52053775的博客
06-15 5713
目前以大名鼎鼎的YOLO为代表的基于CNN的实时监测网络需要NMS进行后处理，导致不能很好的优化网络，并且网络不够健壮，从而导致检测器的推理速度出现延迟。研究者也分析了Anchor-based和Anchor-free的YOLO的性能，发现Anchor并不是影响实时监测的关键要素，而NMS后处理彩色。DETR很好的解决了后处理对于模型的限制，却受限于Transformer巨大的计算量，无法发挥实时监测性。因此，作者想要重构detr,使其具有实时性。
RT-DETR的学习笔记
墨门
04-19 5183
1. 复现训练流程 RT-DETR原文使用的设备
评论 13
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

Snu77

你的鼓励将是我创作的最大动力

¥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