快速入门必看！RT-DETR手把手训练自己的数据集去跑实验，基于 ultralytics 仓库源码改进，配置虚拟环境，准备数据集、训练、验证、推理测试 ，实现0到1的完整教学过程。

本文介绍

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境，安装指定版本的PyTorch和相关依赖包。然后准备数据集，修改配置文件，并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置，设置训练参数；验证阶段评估模型性能；推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载，以及详细的参数配置说明，帮助用户快速搭建RT-DETR目标检测模型。

RT-DETR创新改进目录：新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点

全新RT-DETR创新改进专栏地址：最全RT-DETR创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

RT-DETR论文解读，看这篇博客内容：

【CVPR2024 RT-DETR 全文解读】实时目标检测更快更准、帮助你更好去理解、适合小白快速入门了解RT-DETR模型

目录

本文介绍

一、下载最新版本ultralytics 源码

二、创新RT-DETR虚拟环境

第一步创建一个自己的虚拟环境：

第二步进入到自己的虚拟环境：

第三步：安装pytorch,建议不要安装太新版本

第四步：直接复制以下所有命令到控制台回车运行

三、准备自己的数据集

将自己数据集放到datasets文件夹里（若没有datasets文件夹就自己创建一下）

修改data.yaml 配置文件

四、Ultralytics调参 1：1还原RT-DETR官方版本实验环境，更方便改进，高效涨点！！！

（这步操作非常重要，可以参考我的这个调参教程）

五、训练自己的数据集

五、验证自己的模型效果

六、推理测试自己的模型

---

一、下载最新版本ultralytics 源码

下载源码地址：ultralytics/ultralytics: Ultralytics 🚀

二、创新RT-DETR虚拟环境

第一步创建一个自己的虚拟环境：

conda create -n new_name python=3.10

第二步进入到自己的虚拟环境：

conda activate new_name 

第三步：安装pytorch,建议不要安装太新版本

pytorch官网：Previous PyTorch Versions

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121

第四步：直接复制以下所有命令到控制台回车运行

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnx==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime==1.15.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pycocotools==2.0.7 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyYAML==6.0.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install scipy==1.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxsim==0.4.36 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime-gpu==1.18.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install timm==1.0.7 thop efficientnet_pytorch==0.7.1 einops grad-cam==1.5.4 dill==0.3.6 albumentations pytorch_wavelets==1.3.0 tidecv PyWavelets -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mmcv==2.2.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.3/index.html

三、准备自己的数据集

如果自己没有数据集，可以去这个官网上找公共数据集去练习：Roboflow Datasets

将自己数据集放到datasets文件夹里（若没有datasets文件夹就自己创建一下）

修改data.yaml 配置文件

四、Ultralytics调参 1：1还原RT-DETR官方版本实验环境，更方便改进，高效涨点！！！

（这步操作非常重要，可以参考我的这个调参教程）

超详细调参数教程、1:1还原RT-DETR最佳性能

【RT-DETR创新改进】改进前必看！对Ultralytics调参， 1：1还原RT-DETR官方版本实验参数，使用原汁原味的RT-DETR模型，才能高效跑实验、高效涨点、收割小论文、完成大论文！！！

五、训练自己的数据集

创健train.py脚本

import warnings
warnings.filterwarnings('ignore')
from ultralytics import RTDETR

# 模型配置文件，以相对路径调用，也可以使用绝对路径
model_yaml_path = './ultralytics/cfg/models/rt-detr/rtdetr-r18.yaml'
#数据集配置文件，以相对路径调用，也可以使用绝对路径
data_yaml_path = './datasets/data.yaml'
if __name__ == '__main__':
    model = RTDETR(model_yaml_path)
    # model.load('rtdetr-l.pt') # 加载预训练权重
    #训练模型
    results = model.train(data=data_yaml_path,
                          imgsz=640,
                          epochs=200,
                          batch=8,
                          workers=0,
                          project='runs/RT-DETR/train',
                          name='exp',
                          )

五、验证自己的模型效果

创健val.py脚本

import warnings
warnings.filterwarnings('ignore')
from ultralytics import RTDETR

# 训练好的模型配置文件，以相对路径调用，也可以使用绝对路径
model_yaml_path = './runs/RT-DETR/train/exp/weights/best.pt'  #这行使用训练和的best.pt文件

#数据集配置文件，以相对路径调用，也可以使用绝对路径
data_yaml_path = './datasets/data.yaml'
if __name__ == '__main__':
    model = RTDETR(model_yaml_path)
    model.val(data=data_yaml_path,
              split='val',
              imgsz=640,
              batch=4,
              # save_json=True, # 这个保存coco精度指标的开关
              project='runs/RT-DETR/val',
              name='exp',
              )

六、推理测试自己的模型

创健predict.py脚本

import warnings
warnings.filterwarnings('ignore')
from ultralytics import RTDETR

if __name__ == '__main__':
    model = RTDETR('./rtdetr-l.pt') # 使用自己训练好的权重文件
    model.predict(
        source='./ultralytics/assets/bus.jpg',  # 预测的数据源，可以是图片、文件夹、视频路径等
        imgsz=640,                     # 图片的输入尺寸
        project='runs/detect',         # 预测结果保存的项目目录
        name='exp',                    # 子目录名（最终保存路径为 runs/detect/exp）
        save=True,                     # 是否保存预测后的图片
        # visualize=True,              # 是否可视化中间特征图（默认注释掉，即不启用）
        # show_conf=False,             # 是否显示置信度（关闭显示）
        # show_labels=False,           # 是否显示标签（关闭显示）
    )