学习笔记：RT-DETR训练自己的数据集(Pytorch)

已于 2024-07-03 16:15:25 修改
阅读量2.4k 收藏 20
点赞数 6
文章标签： 学习 笔记 pytorch
于 2024-07-03 15:07:09 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/x_rain_jay/article/details/140151503
版权

        最近在做对大棚不同生育期草莓的目标检测，由于做yolo的太多了，遂转移赛道。这一转移不得了，发现这个RT-DETR居然远远超过了2020年的超级慢的DETR并且超越了yolov5，甚至v8。现准备先复现一下。

        原论文：[2304.08069] DETRs Beat YOLOs on Real-time Object Detection (arxiv.org)

        官方代码：GitHub - lyuwenyu/RT-DETR: [CVPR 2024] Official RT-DETR (RTDETR paddle pytorch), Real-Time DEtection TRansformer, DETRs Beat YOLOs on Real-time Object Detection. 🔥 🔥 🔥

        复现路上的参考文章1：

最低0.47元/天 解锁文章
x_rain_jay
关注
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 9816
本文内容：1）RT-DETR原理介绍；2）RT-DETR如何训练自己的数据集
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。
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 3448
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：
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=./inputimgs/ --output_dir ./outputimgs/ --models ./rtdetr_hgnetv2_l_6x_coco.trt，即可得到测试结果。
RT-DETR系列之backbone
最新发布
qq_45692404的博客
03-15 996
本人正在学习RT-DETR中，将学习过程记录下来，如有错误，请指正！通融通融本博客以RT-DETR的r18为基准模型学习。最开始学习要知道整个RT-DETR的大致结构，如图。backbone位于最前面，骨干网络（Backbone）用于从输入图像中提取特征。它的任务是通过一系列卷积操作和其他处理方法，将输入的原始图像转换为一个高维的特征表示。P1P2P3P4P5是不同网络层的输出特征图的尺寸（通常是下采样的结果），这些代表了卷积神经网络（CNN）中特征图的不同层级。
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 4590
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。
DETR系列：RT-DETR实战部署
lansebingxuan的专栏
06-26 5798
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。
RT-DETR训练自己的数据集
m0_55411900的博客
11-29 2234
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。
使用官方RT-DETR训练自己的数据集
Sep21m_wyy的博客
07-06 2084
【代码】使用官方RT-DETR训练自己的数据集。
使用官方版RT-DETR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。
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 3319
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。
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
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。
YOLOv10改进 | SPPF篇 | 将RT-DETR模型AIFI模块和Conv模块结合替换SPPF（全网独家改进）
Snu77的博客
07-13 1552
本文给大家带来是用最新的RT-DETR模型中的AIFI模块间去替换YOLOv10中的SPPF。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中的一些先进模块融入到YOLOv10往往能够达到一些特殊的效果（我个人猜测，所以我进行了一些实验来验证这一点），我将RT-DETR的AIFI模块和Conv模块融合在一起添加到了YOLOv10中。
YOLOv8改进 | Conv篇 | 将RT-DETR模型AIFI模块和Conv模块结合替换SPPF（全网独家改进）
Snu77的博客
12-06 7066
本文给大家带来是用最新的RT-DETR模型中的AIFI模块间去替换YOLOv8中的SPPF。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中的一些先进模块融入到YOLOv8往往能够达到一些特殊的效果（我个人猜测，所以我进行了一些实验来验证这一点），我将RT-DETR的AIFI模块和Conv模块融合在一起添加到了YOLOv8中。亲测这一改进并不一定能够提高精度。
【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
Snu77的博客
01-29 6490
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，其余的何其的调参基本一致。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。
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 5183
RT-DETR代码详解（官方pytorch版）参数配置
RT-DETR rtdetr-r18 - ultralytics - YOLOv8版本训练自己的数据集
CSPhD-winston的博客
01-05 8127
码云参考：b站魔傀面具。
RT-DETR（Pytorch）训练自己的数据集
weixin_42120861的博客
01-04 1733
rt-detr; 目标检测
rt-detr训练自己数据集
12-30
### 如何使用 RT-DETR 模型训练自定义数据集 #### 准备工作 为了能够顺利地利用 RT-DETR 进行自定义数据集的目标检测任务，前期准备工作至关重要。这包括但不限于安装必要的依赖库、准备硬件资源以及获取预训练权重等。 #### 数据集格式转换 通常情况下，RT-DETR 支持 COCO 或 VOC 类似的数据集格式。如果用户的自有数据不符合这些标准，则需先将其转化为兼容的形式。对于具体操作而言，可以编写脚本完成标签文件的重写或是图像路径调整等工作[^1]。 #### 修改配置文件 `configs` 文件夹内包含了用于控制模型行为的各种参数设定。针对特定应用场景下的需求变化（比如类别数量不同），应当相应地编辑对应的 `.yaml` 或其他形式的配置文档来适配新情况。例如更改 `num_classes`, 设置输入图片尺寸等重要属性值[^3]。 ```python # 示例：修改 num_classes 参数 _base_ = './rt_detr_r50_coco.py' model = dict( bbox_head=dict(num_classes=80), # 假设新的数据集中有80类物体 ) ``` #### 训练过程启动 当一切就绪之后，就可以着手于实际的训练环节了。一般会提供命令行工具简化此步骤执行难度；只需指定好之前提到过的各项选项即可开始漫长的迭代优化之旅。值得注意的是，在初次尝试时建议采用较小规模批次测试整个流程能否正常运作再逐步扩大样本量级以节省时间成本。 ```bash # 启动训练命令样例 (假设已准备好所有前置条件) python tools/train.py ${CONFIG_FILE} \ --work-dir=${WORK_DIR} \ [--resume-from ${CHECKPOINT_FILE}] \ [--no-validate] ``` #### 自定义数据增强策略 考虑到提高泛化能力的重要性，适当引入一些随机变换手段有助于提升最终效果表现。这部分功能同样可以在配置文件里找到对应项进行开启关闭或调节强度大小的选择[^2]。
评论 12
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