RT-DETR（Pytorch）训练自己的数据集

最新推荐文章于 2025-04-29 23:09:02 发布
最新推荐文章于 2025-04-29 23:09:02 发布
阅读量1.7k 收藏 19
点赞数 9
文章标签： pytorch 人工智能 python
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/weixin_42120861/article/details/135392215
版权

下载源码

官方地址：https://github.com/lyuwenyu/RT-DETR, (Pytroch版本)

配置环境

pip install -r requirements.txt

修改数据集配置文件

换成自己数据集的路径

运行代码

python tools/train.py

hlymhy
关注
RT-DETR训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
09-14 1万+
在Windows10上配置CUDA环境教程是百度提出的一种实时目标检测模型。RT-DETR采用了与DETR相同的编码器和解码器结构，但对其进行了大量的优化，在保持较高检测精度的同时，实现了实时目标检测，为目标检测领域提供了一种新的有效解决方案，具有广泛的应用前景，如自动驾驶、智能监控、机器人等领域。以上是RT-DETR官方的论文和代码，详细介绍了RT-DETR的构成和实现。在YOLOv10中也实现了RT-DETR的代码，所以本文使用YOLOv10的项目文件进行RT-DETR的训练和测试。YOLOv10。
手把手教程：RT-DETR如何训练自己的数据集 | NEU-DET钢材缺陷检测
会AI的学姐
11-08 1万+
本文内容：1）RT-DETR原理介绍；2）RT-DETR如何训练自己的数据集
手把手带你用RT-DETR模型部署训练自己的数据集
m0_61751664的博客
03-27 4791
本文主要介绍如何部署、训练RT-DETR模型，将从两种方式进行介绍：一种是RTDETR自带的项目文件，另一种是ultralytics仓库下将训练的模型改为rtdetr的基本模型。
使用官方版RT-DETR(CVPR2024)训练自己的数据集(Pytorch)
weixin_53895623的博客
12-20 1万+
RT-DETR训练自建数据集的步骤。
RTDETRv2 pytorch训练
最新发布
shilichangtin的博客
04-29 685
rtdetrv2训练流程
RT-DETR训练自己的数据集
m0_55411900的博客
11-29 2334
论文地址：[2304.08069] DETR 在实时对象检测方面击败了 YOLO论文中提出了实时端到端检测器RT-DETR，成功地将DETR扩展到了实时检 测场景，并取得了较好的性能。RT-DETR 包括两个关键的增强：一个高效的混合 编码器，可以快速处理多尺度特征；以及不确定性最小的查询选择，可以提高初始 对象查询的质量。此外，RT-DETR 支持灵活的速度调整，无需重新训练，消除了 两个NMS门限带来的不便，便于实际应用。
RT-DETR rtdetr-r18 - ultralytics - YOLOv8版本训练自己的数据集
CSPhD-winston的博客
01-05 9022
码云参考：b站魔傀面具。
RT-DETR（Pytorch版）训练自己coco格式数据集
sumeil的博客
09-10 4305
RT-DETR训练自己数据集
官方pytorch版本RT_DETR训练自己的数据集过程并导出结果
TracyGC的博客
12-08 3555
rtdetr_pytorch/configs/dataset/coco_detection.yml"里面把文件地址修改成自己的数据集地址，配制成my_coco.yml,同时修改需要训练"rtdetr_pytorch/configs/rtder/rtdetr_r50vd_m_6x_coco.yml"里面的数据集。然后利用"RT-DETR-main/rtdetr_pytorch/tools/train.py，记得加入configs。在前面的步骤中，利用配置好的。
详解RT-DETR网络结构/数据集获取/环境搭建/训练/推理/验证/导出/部署
热门推荐
Snu77的博客
11-27 4万+
本文给大家带来是利用RT-DETR模训练自己的数据集，RT-DETR是一种新提出的目标检测模型，它利用的自注意力机制来处理图像数据。不同于YOLO通过连续的卷积层直接对图像区域进行分析，RT-DETR采用Transformer架构中的自注意力机制，这允许模型更有效地理解图像中不同部分之间的关系。这种方法使得RT-DETR在处理图像中的复杂场景和多对象环境时，能够展现出更高的准确性和效率。此外，RT-DETR在保持高精度的同时，也针对实时处理进行了优化，使其适合需要快速响应的应用场景。
学习笔记：RT-DETR训练自己的数据集(Pytorch)
x_rain_jay的博客
07-03 2627
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。
rt-detr目标检测+python+tensorRT推理代码
06-28
该代码实现rt-detr的部署，使用python，调用tensorRT转换后的模型，实现单张图片或者图片文件夹批量推理，代码输入图片/文件夹路径，模型路径，输出图片保存路径，运行命令python ./infer_tensorrt.py --infer_dir=....
手把手教你使用云服务器训练 RT-DETR (Pytorch版)
YOLOv8项目贡献者
10-14 6946
手把手带你训练RT-DETR
transformer系列之一rt-detr目标检测模型环境搭建并训练自己的数据集
weixin_67615387的博客
04-21 3623
其中：tools文件是训练和模型导出的py文件，包含了模型训练和模型导出模块。文件内容如下：其中train.py主要是模型的训练接口。export_onnx.py主要是将pytorch模型转化为onnx模型方便后续部署。src文件主要包含了模型优化器，主干网络，数据加载，日子记录，配置文件的读取的源码。子文件如下：configs文件主要是模型的配置文件，可以通过模型设置配置文件进行模型训练前的配置。子文件如下：
使用官方RT-DETR训练自己的数据集
Sep21m_wyy的博客
07-06 2469
【代码】使用官方RT-DETR训练自己的数据集。
【DETR】训练自己的数据集-实践笔记
gsgs1234的博客
07-14 3万+
DETR，基于transformer的目标检测，数据集：NWPU。 训练自己的数据集实践笔记及问题总结
【DETR】DETR训练VOC数据集/自己的数据集
capsule的博客
01-03 9741
DETR训练VOC数据集
DETR训练自己的数据集
qq_45836365的博客
12-09 9088
本文记录利用官方提供的代码来训练验证自己的数据集的过程以及一些注意事项。该数据集原始的标签保存格式为yolo类型的txt文件，下面提供的代码能够实现数据集标签从txt文件到coco json格式的转化.该部分为利用训练得到的模型权重进行检测验证。在detr工程文件下的images文件夹存放所有待验证的图片，infer_results存放所有的验证结果。DETR需要的数据集格式为coco格式，其原始图片与标签分为训练集和验证集，其保存目录为。output_dir为保存训练得到的模型权重的地址。
【ultralytics仓库使用自己的数据集训练RT-DETR】
weixin_45921929的博客
08-11 4776
ultralytics仓库使用自己的数据集训练RT-DETR
rtdetr训练visdrone数据集
01-08
### 使用 RTDETR 模型训练 VisDrone 数据集 为了使用RTDETR模型训练VisDrone数据集，需先准备环境并下载所需的数据和预训练权重文件。安装必要的依赖库之后，可以按照特定的配置来调整超参数以适应VisDrone数据集的特点。 #### 准备工作 确保已安装PyTorch及相关依赖项，并设置好CUDA环境以便利用GPU加速计算过程[^1]。接着克隆包含RTDETR实现的仓库到本地机器上： ```bash git clone https://github.com/PaddlePaddle/PaddleDetection.git cd PaddleDetection pip install -r requirements.txt ``` 对于VisDrone数据集而言，需要将其转换成COCO格式，因为RTDETR默认支持这种标注方式。这一步骤可以通过编写简单的脚本来完成，具体细节取决于原始标签文件的具体结构[^2]。 #### 配置文件修改 打开`configs/rt_detr_500e_coco.yml`作为模板创建一个新的配置文件用于VisDrone项目。主要关注以下几个方面： - 修改类别数量(`num_classes`)匹配VisDrome中的目标种类数； - 调整输入图像大小(`input_size`)至适合无人机拍摄场景的比例； - 设置合适的批量处理尺寸(batch size)以及迭代次数(epochs)，考虑到硬件资源限制和个人需求做出适当的选择； 这些改动能够帮助更好地适配新数据源特性，从而提高最终检测效果[^3]。 #### 训练命令执行 当一切就绪后，在终端运行如下指令启动训练流程: ```bash python tools/train.py -c configs/custom_rt_detr_visdrone.yml --eval ``` 此命令会读取自定义好的配置文件来进行模型训练，并定期评估验证集上的性能表现。 ```yaml architecture: RTDETR use_gpu: true max_iters: 80000 batch_size: 8 pretrain_weights: https://paddledet.bj.bcebos.com/models/pretrained/ResNet50_vd_ssld_pretrained.pdparams weights: output/rt_detr_r50vd_fpn_500e_coco/best_model metric: VOC num_classes: 10 ... ``` 上述YAML片段展示了部分重要参数设定示例，实际应用时应根据具体情况灵活调整[^4]。
评论
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
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