Baidu 的 RT-DETR：基于视觉 Transformer 的实时目标检测器#

概述#

实时检测 Transformer（RT-DETR）由 Baidu 开发，是一种先进的端到端目标检测器，在保持高准确率的同时提供实时性能。它基于 DETR（无需 NMS 的框架），同时引入基于卷积的骨干网络和高效混合编码器，以实现实时速度。RT-DETR 通过解耦尺度内交互与跨尺度融合，高效处理多尺度特征。该模型具有很强的适应性，无需重新训练即可通过使用不同的解码器层灵活调整推理速度。RT-DETR 在使用 TensorRT 的 CUDA 等加速后端上表现出色，性能优于许多其他实时目标检测器。

Baidu RT-DETR 概览。 RT-DETR 模型架构图显示，骨干网络的最后三个阶段 {S3, S4, S5} 作为编码器的输入。高效混合编码器通过尺度内特征交互（AIFI）和跨尺度特征融合模块（CCFM），将多尺度特征转换为图像特征序列。模型采用 IoU 感知的查询选择，从图像特征中选出固定数量的特征，作为解码器的初始目标查询。最后，带有辅助预测头的解码器对目标查询进行迭代优化，以生成边界框和置信度分数（来源）。

主要特性#

• 高效混合编码器： Baidu 的 RT-DETR 使用高效混合编码器，通过解耦尺度内交互与跨尺度融合来处理多尺度特征。这种独特的基于视觉 Transformer 的设计降低了计算成本，并支持实时目标检测。
• IoU 感知的查询选择： Baidu 的 RT-DETR 通过使用 IoU 感知的查询选择改进目标查询初始化。这使模型能够聚焦于场景中最相关的目标，从而提高检测准确率。
• 可调整的推理速度： Baidu 的 RT-DETR 无需重新训练即可通过使用不同的解码器层灵活调整推理速度。这种适应性有助于在各种实时目标检测场景中实现实际应用。
• 无需 NMS 的框架： RT-DETR 基于 DETR，无需进行非极大值抑制后处理，从而简化检测流程，并可能提升效率。
• 无锚框检测： 作为一种无锚框检测器，RT-DETR 简化了检测过程，并可能提升在不同数据集上的泛化能力。

预训练模型#

Ultralytics Python API 提供了不同规模的预训练 PaddlePaddle RT-DETR 模型：

• RT-DETR-L：在 COCO val2017 上达到 53.0% AP，在 T4 GPU 上达到 114 FPS
• RT-DETR-X：在 COCO val2017 上达到 54.8% AP，在 T4 GPU 上达到 74 FPS

此外，Baidu 于 2024 年 7 月发布了 RTDETRv2，进一步改进了原始架构并提升了性能指标。

使用示例#

本示例提供了简单的 RT-DETR 训练和推理示例。有关这些模式及其他模式的完整文档，请参阅 预测、训练、验证和导出文档页面。你还可以通过 Ultralytics Platform 在云端 GPU 上训练模型。

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the RT-DETR-l model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

from ultralytics import RTDETR

rtdetr = RTDETR("rtdetr-l.pt")
head = rtdetr.model.model[-1]

# Choose one or both settings after validating the speed/accuracy trade-off.
head.decoder.eval_idx = 3  # Use 4 of 6 decoder layers.
head.num_queries = 100  # Use fewer object queries.

results = rtdetr("path/to/image.jpg")

# Export uses the same decoder and query settings, including TensorRT exports.
rtdetr.export(format="engine", device=0, quantize=16)

支持的任务和模式#

本表展示了模型类型、特定的预训练权重、每个模型支持的任务，以及支持的各种模式（Train、Val、Predict、Export），均以 ✅ 表情符号标出。

理想应用场景#

RT-DETR 特别适合同时需要高准确率和实时性能的应用：

• 自动驾驶：用于自动驾驶系统中的可靠环境感知，在此类系统中速度和准确率都至关重要。了解更多关于自动驾驶汽车中 AI 的信息。
• 高级机器人技术：帮助机器人在动态环境中执行需要准确目标识别和交互的复杂任务。探索 AI 在机器人技术中的作用。
• 医学成像：用于医疗保健领域的应用，在这些应用中，目标检测的精度可能对诊断至关重要。了解 AI 在医疗保健领域的应用。
• 监控系统：用于需要高检测准确率的实时监控安全应用。了解安全警报系统。
• 卫星图像分析：用于高分辨率图像的详细分析，在这类任务中理解全局上下文十分重要。了解卫星图像中的计算机视觉。

引用和致谢#

如果你在研究或开发工作中使用 Baidu 的 RT-DETR，请引用原始论文：

@misc{lv2023detrs,
      title={DETRs Beat YOLOs on Real-time Object Detection},
      author={Wenyu Lv and Shangliang Xu and Yian Zhao and Guanzhong Wang and Jinman Wei and Cheng Cui and Yuning Du and Qingqing Dang and Yi Liu},
      year={2023},
      eprint={2304.08069},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

对于 RTDETRv2，你可以引用2024 年论文：

@misc{lv2024rtdetrv2,
      title={RTDETRv2: All-in-One Detection Transformer Beats YOLO and DINO},
      author={Wenyu Lv and Yian Zhao and Qinyao Chang and Kui Huang and Guanzhong Wang and Yi Liu},
      year={2024},
      eprint={2407.17140},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

我们感谢 Baidu 及其 PaddlePaddle 团队创建并维护这一为计算机视觉社区提供的宝贵资源。他们开发了基于视觉 Transformer 的实时目标检测器 RT-DETR，为该领域作出的贡献值得高度肯定。

常见问题#