RT-DETR更新汇总贴

置顶 已于 2025-04-19 20:41:35 修改
阅读量1.2k 收藏 8
点赞数 4
分类专栏： RT-DETR涨点改进专栏 文章标签： RT-DETR
于 2024-11-11 21:40:38 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.csdn.net/StopAndGoyyy/article/details/143696113
版权

RT-DETR使用教程：RT-DETR使用教程

缝合教程：深度学习模块创作（缝合）教程|适合1-360月小宝宝食用，干货满满

yaml文件详解：YOLO系列中的“data.yaml”详解！-CSDN博客

labelimg使用教程：深度学习工具|LabelImg（标注工具）的安装与使用教程

训练参数详解：RT-DETR(Ultralytics)训练参数总结及翻译

 2024/11/16及之前更新视频教程：YOLO融合CVPR、ECCV等十余种顶刊顶会模块，小白教程

特征提取模块

RT-DETR融合[CVPR2024]大核卷积IncepitonNeXt，模块与二创代码见2024/11/16日群文件。

RT-DETR融合特征细化前馈网络 FRFN[CVPR2024]，模块与二创代码见2024/11/16日群文件。

RT-DETR融合[ECCV2024]自调制特征聚合SMFA模块，模块与二创代码见2024/11/16日群文件。

RT-DETR融合可变核卷积AKConv模块及相关改进思路，模块与二创代码见2024/11/16日群文件。

RT-DETR融合ICCV[2023]动态蛇形卷积Dynamic模块，模块与二创代码见2024/11/16日群文件。

RT-DETR融合CVPR[2023]空间和通道重建卷积ScConv模块，模块代码见2024/11/16日群文件。

RT-DETR融合CVPR[2020]自校准卷积SCConv模块，模块与二创代码见2024/11/16日群文件。

RT-DETR融合CVPR[2020]轻量化卷积模块Ghost Module模块，模块代码见2024/11/16日群文件。

RT-DETR融合NeurIPS[2022]Ghost Module v2模块，模块与二创代码见2024/11/16日群文件。

RT-DETR融合ICCV[2023]倒残差移动块iRMB模块，模块与二创代码见2024/11/16日群文件。

RT-DETR融合CVPR[2024]无膨胀多尺度卷积PKI模块，模块与二创代码见2024/11/23日群文件。

RT-DETR融合CVPR[2024]自适应扩张卷积FADC模块，模块代码见2024/11/23日群文件。

RT-DETR融合GhostModel V3及相关改进思路，模块代码见2024/11/23日群文件。

RT-DETR融合[CVPR2023]FasterNet种的PConv及相关改进思路，代码见2024/11/23日群文件。

RT-DETR融合针对小目标FFCA-YOPLO中的FEM模块，模块代码见2024/11/23日群文件。

RT-DETR融合[TIP2023]DehazeFormer中的SKFusion模块，模块代码见2024/11/23日群文件。

RT-DETR融合针对去雾场景的DEA-Net中的细节增强注意力模块，见2024/11/23日群文件。

RT-DETR融合[NeurlS2022]递归门控卷积gnconv模块及相关改进思路，见2024/11/30日群文件。

RT-DETR融合[CVPRW2024]MAN中的MLKA模块及相关改进思路，见2024/11/30日群文件。

RT-DETR融合Conv2Former中的ConvMod模块及相关改进思路，见2024/11/30日群文件。

RT-DETR融合[ECCV 2018]RCAN中的RCAB模块及相关改进思路，见2024/11/30日群文件。

RT-DETR融合PIDNet中的PagFM模块及相关改进思路，见2024/11/30日群文件。

RTDETR融合FCMNet中的WCMF模块及相关改进思路，见2024/12/7日群文件。

RTDETR融合[ECCV2024]WTConvNeXt中的WTConv模块及相关改进思路，见2024/12/7日群文件。

RT-DETR融合[CVPR2024]TransNeXt中的CGLU模块及相关改进思路，见2024/12/14日群文件。

 RT-DETR融合[ECCV 2024]CGRSeg中的RCM模块，见2024/12/14日群文件。

RT-DETR融合[CVPR2024]EMCAD中的上采样模块，见2024/12/14日群文件。

RT-DETR融合[CVPR2024]EMCAD中的特征提取模块，见2024/12/14日群文件。

RT-DETR融合[CVPR2024]Starnet中的star block取模块，见2024/12/14日群文件。

RT-DETR融合[ECCV2024]FADformer中的FFCM模块，见2024/12/29日群文件。

RT-DETR融合[CVPR2023]FFTformer中的FSAS模块，见2024/12/29日群文件。

RT-DETR融合U-Net v2中的SDI模块，见2024/12/29日群文件。

RT-DETR融合[NeurIPS2023]GoldYOLO中的GD模块，见2024/12/29日群文件。

RT-DETR融合[IJCV2024]LSKNet中的LSKBlock模块，见2024/12/29日群文件。

RT-DETR融合[ECCV2024]SFHformer中的模块，见2024/12/29日群文件。

RT-DETR融合[CVPR2022]的MDHTA多头自注意力机制，见2025/1/11日群文件。RT-DETR融合[AAAI2025]的ConSeg中的模块，见2025/1/11日群文件。

RTDETR融合[AAAI2025]的Mesorch 模型中的高、低频特征提取模块，见2025/1/11日群文件。

RTDETR融合[AAAI2025]的TBSN中的DilatedMDTA模块，见2025/1/11日群文件。

RTDETR融合[CVPR205]ARConv中的自适应矩阵卷积，见2025/3/15日群文件。

RTDETR融合[CVPR205]SCSegamba中的GBC结构，见2025/3/15日群文件。

RT-DETR融合YOLOv12中的R-ELAN结构，见2025/3/15日群文件。

RTDETR融合何凯明[CVPR2025]新作DyT结构，见2025/4/5日群文件。

RTDETR融合[CVPR2025]HVI-CIDNet中的HV_LCA模块，见2025/4/5日群文件。

RTDETR融合[CVPR2025]DnLUT中的MuLUTUnit模块，见2025/4/5日群文件。

RTDETR融合[CVPR2025]BHViT中的token_mixer模块，见2025/419日群文件。

RTDETR融合[CVPR2025]DarkIR中的DBlock模块，见2025/419日群文件。

损失函数

 RT-DETR融合Inner-IoU及相关改进思路，见2024/11/30日群文件。

RT-DETR融合Focal-IoU及相关改进思路，见2024/11/30日群文件。

RT-DETR融合Focaler-IoU及相关改进思路，见2024/11/30日群文件。

上、下采样

 RT-DETR融合[ICCV2019]CARAFE中的上采样模块，见2024/12/21日群文件。

RT-DETR融合[ICCV2023]DySample中的上采样模块，见2024/12/21日群文件。

RT-DETR融合[AAAI2025]的ConSeg中的CDFAPreprocess模块，见2025/1/11日群文件。

 RT-DETR融合轻量化下采样ds_模块，见2024/12/29日群文件。

RT-DETR融合YOLOv9的下采样模块ADown，见2025/1/11日群文件。

Neck

 RT-DETR融合[CVPR2020]EfficientDet中的BiFPN结构，见2025/1/11日群文件。

RTDETR融合渐进型金字塔AFPN结构，见2025/1/11日群文件。

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
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有效改进】为什么YOLO版本的RT-DETR训练模型不收敛精度差的问题
Snu77的博客
01-15 8188
本文的内容同样为本专栏的前期预热文章，文章主要解释一下为什么有的人跑ultralytics仓库的RT-DETR精度很差，模型不收敛，mAP异常的情况。为了验证这一情况我也是跑了多个实验，从多个数据集出发，100-500的数据集我跑了大概5个数据集，1000的我跑了二个，2000的我跑了一个，4000的跑了一个，同时其中一些版本我也用了不同的batch_size来出发验证精度异常的情况。
YOLOv11融合针对去雾场景的DEA-Net中的细节增强注意力模块及相关改进思路
深度学习炼丹师，偶尔分享炼丹技术!
11-22 1672
论文速览：单图像去雾是一个具有挑战性的难题，它需要从采集到的雾霾朦胧图像中得到增强的图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型性能。卷积神经网络 （CNN） 结构的学习能力仍未得到充分探索。该文提出了一种由细节增强卷积（DEConv）和内容引导注意力（CGA）组成的细节增强注意力块（DEAB），以促进特征学习，提高去雾性能。具体来说，DEConv 将先验信息集成到普通卷积层中，以增强表示和泛化能力。
[转]RT-DETR推理详解及部署实现-CSDN博客
chinagudujian的专栏
01-04 4174
是由 Baidu 提出的基于 transformer 的端到端实时检测器，本篇文章主要分享博主在实现 RT-DETR 推理和部署时做的一些尝试，不涉及任何的原理性分析。若有问题欢迎各位看官批评指正😄博主在这里针对 RT-DETR 的预处理和后处理做了简单分析，同时与大家分享了 C++ 上的实现流程，目的是帮大家理清思路，更好的完成后续的部署工作😄。
RT-DETRv3：真正的实时端到端目标检测算法，完爆YOLOv10~
CV_Autobot的博客
09-24 2011
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线今天自动驾驶之心为大家分享百度最新的工作—RT-DETRv3！如果您有相关工作需要分享，请在文末联系我们！自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询>>点击进入→自动驾驶之心『目标检测』技术交流群编辑 | 自动驾驶之心真正的实时目标检测！百度超进化RT-...
目标检测-RT-DETR
午夜的行人
09-06 4729
模块实现了多头自注意力机制，它通过并行计算多个注意力头来捕获输入序列中不同位置和不同层次的依赖关系。每个头可以学习不同的注意力模式，最终将这些模式结合起来，生成更加丰富的特征表示。这一机制在 Transformer 中的应用，使模型具备了捕捉长距离依赖关系和并行处理的能力，大大提高了计算效率。
RT-DETR：替代YOLO的更快实时目标检测模型及其Pytorch实现【附源码】
阿旭的博客
11-25 1855
RT-DETR：替代YOLO的更快实时目标检测模型及其Pytorch实现【附源码】
【RT-DETR有效改进】结合SOTA思想利用双主干网络改进RT-DETR（全网独家创新，重磅更新）
Snu77的博客
03-04 7412
本文给大家带来的改进机制是结合目前SOTAYOLOv9的思想利用双主干网络来改进YOLOv8（本专栏目前发布以来改进最大的内容，同时本文内容为我个人一手整理全网独家首发 | 就连V9官方不支持的模型宽度和深度修改我都均已提供，本文内容支持RT-DETR全系列模型均可使用，本文的内容超级适合想要发表论文的读者创新性不够，工作量不够的，本文的改进在感官上给人就有一种工作量多和创新点十足的感觉，同时本专栏内容以后均采用NEU-DET数据集进行对比实验模型（避免大家质疑数据集质量的问题），本文内容为独家整理！。
【RT-DETR训练性能评估指标】结果文件分析 | mAP、Precision、Recall、FPS、IoU (科研必备)
Snu77的博客
01-21 8151
这篇博客，主要给大家讲解我们在训练RT-DETR时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
手把手教你 RT-DETR 添加注意力机制 | 一次性添加 20+ 种！
YOLOv8项目贡献者
11-12 2129
手把手教你 RT-DETR 添加注意力机制 | 一次性添加 20+ 种！
检测头篇 | RT-DETR 添加 小目标检测头 (P2，P3，P4，P5)
YOLOv8项目贡献者
12-17 2765
RT-DETR 添加 小目标检测头 (P2，P3，P4，P5)
RT-DETR 图片目标计数 | 特定目标进行计数
YOLOv8项目贡献者
12-16 1220
RT-DETR 图片目标计数 | 特定目标进行计数
RT-DETR融合[IJCV2024]LSKNet中的LSKBlock模块
深度学习炼丹师，偶尔分享炼丹技术!
12-27 1279
论文速览：关于遥感对象检测的研究主要集中在改进定向边界框的表示上，但忽视了遥感场景中提供的独特先验知识。这种先验知识可能很有用，因为微小的遥感物体可能会在没有参考足够长程的背景的情况下被错误地检测到，并且不同类型的物体所需的长程背景可能会有所不同。在本文中，我们考虑了这些先验，并提出了大核选择性网络 （LSKNet）。LSKNet 可以动态调整其较大的空间感受野，以更好地模拟遥感场景中各种目标的测距环境。总结：作者提出一种大核选择性网络，本文利用其中的LSKBlock与常见模块进行融合。​⭐⭐。
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 9982
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在实时目标检测上超越YOLO8
wqthaha的专栏
05-22 3245
在这项工作中，作者提出了一个名为RT-DETR的实时端到端检测器，它成功地将DETR扩展到实时检测场景，并实现了最先进的性能。RT-DETR包括两个关键增强：一个高效的混合编码器，它可以迅速处理多尺度特征，以及最小化不确定性的查询选择，这提高了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，并消除了由两个NMS阈值引起的不便，从而促进了其实际应用。RT-DETR及其模型扩展策略拓宽了实时目标检测的技术方法，为YOLO之外的多样化实时场景提供了新的可能性。
RT-DETR推理详解及部署实现
热门推荐
周同学的博客
11-12 1万+
RT-DETR推理详解及部署实现
YOLO终结者？RT-DETR一探究竟！
CV_Autobot的博客
04-22 5087
作者|迪迦奥特曼 编辑| 极市平台点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群导读实时目标检测中击败YOLO家族？来看看百度飞桨的PaddleDetection团队提出的 RT-DETR究竟强在哪里。众所周知，实时目标检测(Real-Time Object Detection)一直被YOLO系列检测器统治着，YOLO版本...
【恶意代码分析】网络协议与工具应用：恶意软件传播机制及防范措施
05-13
内容概要：本文档《恶意代码分析技术.pdf》主要探讨了恶意代码分析的相关技术和工具。文档首先介绍了恶意代码分析的基本概念，然后详细列举了多种用于分析恶意软件的工具和技术，如VMWare、ZoneAlarm Pro、Sniffer（包括Tcpdump和snort）、FileMon & RegMon、Winalysis、PEiD、ProcDump、UltraEdit、IDA Pro、SoftIce、OllyDbg、W32Dasm等。此外，文档还展示了具体的网络数据包捕获和分析示例，涉及ARP请求与应答、TCP连接建立和终止、TFTP协议交互等。最后，文档引用了几篇关于恶意代码分析的研究论文和报告，为读者提供了进一步学习的资源。 适合人群：对恶意代码分析感兴趣的网络安全研究人员、安全工程师以及希望深入了解恶意软件行为的安全爱好者。 使用场景及目标：①掌握恶意代码分析的基础知识和技术工具；②学习如何使用各种工具进行恶意代码的静态和动态分析；③通过实际案例理解恶意代码在网络中的传播机制及其行为特征。 其他说明：本文档不仅提供了理论知识，还结合了大量的实战案例，帮助读者更好地理解和应用所学内容。建议读者在学习过程中结合实际操作，逐步掌握恶意代码分析的核心技能。
MATLAB与PSIM全桥/半桥LLC谐振DC-DC变换器设计与仿真（含开环与电压闭环）
最新发布
05-13
内容概要：本文详细介绍了MATLAB与PSIM在全桥或半桥LLC谐振DC-DC变换器设计与仿真中的应用。文章首先阐述了这类变换器的重要性和应用场景，接着分别讲解了开环仿真和电压闭环仿真的步骤和目的。开环仿真用于验证变换器的静态性能和动态响应，而电压闭环仿真则侧重于动态性能和稳定性。文中还提供了具体的MATLAB示例代码，展示电路参数的仿真计算过程。最终，通过详细的仿真验证，确保设计的正确性和可行性。 适合人群：从事电力电子设计的研究人员和技术人员，特别是对DC-DC变换器设计感兴趣的工程师。 使用场景及目标：适用于需要高效、小型化和低成本的电源解决方案的设计项目。目标是帮助读者掌握MATLAB和PSIM工具在DC-DC变换器设计中的应用，提升设计效率和准确性。 其他说明：本文不仅提供理论指导，还包括实用的操作步骤和示例代码，有助于读者更好地理解和应用相关技术。
Failed to Load class org.slf4j.impl.StaticLoggerBinder
03-08
<think>嗯，用户问的是“Failed to Load class org.slf4j.impl.StaticLoggerBinder”这个错误。我得先回忆一下这个问题通常出现在什么情况下。好像和SLF4J有关，对吧？SLF4J是一个日志门面库，它需要具体的日志实现，比如Logback、Log4j之类的。如果项目中没有正确的绑定器，就会报这个错误。 首先，我应该解释这个错误的原因。用户可能不太清楚SLF4J的工作原理，所以需要简单说明门面模式和需要绑定实现库的概念。然后，常见的解决办法应该是添加一个具体的日志依赖，比如slf4j-simple或者Logback。可能还需要提到依赖冲突的问题，比如多个绑定库被引入导致的问题。 接下来，用户可能不知道怎么检查依赖，所以需要给出具体的Maven或Gradle配置示例。比如在Maven中添加slf4j-simple的依赖，或者推荐使用Logback的配置。同时，提醒他们注意版本兼容性，确保SLF4J的API版本和绑定的版本一致。 另外，用户可能在测试时遇到这个问题，特别是在使用某些框架如Spring Boot时，默认可能已经有日志实现，但有时候测试依赖可能没有正确引入。这时候可能需要检查测试范围的依赖。 还有，用户可能不知道如何排除冲突的依赖，这时候需要教他们用Maven的exclusion标签或者Gradle的exclude方法。比如，如果他们引入了Log4j的桥接器但没有核心实现，或者同时引入了多个绑定库，就会出问题。 最后，可能需要给出一个检查步骤，帮助用户一步步排查问题，比如检查依赖树，确认是否有且只有一个绑定库，版本是否正确等。这样用户就能自己动手解决问题了。 要确保回答清晰，分点说明，用中文，避免技术术语过多，但又要准确。可能需要给出代码示例，比如pom.xml或build.gradle的配置片段，这样用户可以直接复制粘贴。同时，提醒常见的陷阱，比如版本不匹配或多余依赖，这些是常见的问题来源。 总结一下，回答的结构应该是：错误原因、解决方案（添加依赖、解决冲突）、示例配置、检查步骤。这样用户能按部就班地解决问题。</think>你遇到的 `Failed to Load class org.slf4j.impl.StaticLoggerBinder` 错误是 **SLF4J（Simple Logging Facade for Java）** 的常见问题，主要原因是缺少 SLF4J 的日志实现库。以下是详细解释和解决方案： --- ### **错误原因** 1. **SLF4J 的门面模式** SLF4J 是一个日志门面（抽象层），它本身不提供日志实现，需要依赖具体的日志库（如 Logback、Log4j 等）。 - ❌ 错误触发条件：项目中只引入了 `slf4j-api`（接口），但未添加任何实现库（如 `slf4j-simple`、`logback-classic` 等）。 2. **依赖冲突** 项目中可能存在多个 SLF4J 的绑定库（如同时引入 `slf4j-log4j12` 和 `logback-classic`），导致 SLF4J 无法确定使用哪个实现。 --- ### **解决方案** #### 1. 添加 SLF4J 的日志实现库 选择以下任意一种日志实现库添加到项目依赖中： - **方案 1：使用 SimpleLogger（最小化配置）** ```xml <!-- Maven --> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-simple</artifactId> <version>2.0.9</version> <!-- 使用与 slf4j-api 匹配的版本 --> </dependency> ``` - **方案 2：使用 Logback（推荐）** ```xml <!-- Maven --> <dependency> <groupId>ch.qos.logback</groupId> <artifactId>logback-classic</artifactId> <version>1.4.14</version> </dependency> ``` - **方案 3：使用 Log4j2** ```xml <!-- Maven --> <dependency> <groupId>org.apache.logging.log4j</groupId> <artifactId>log4j-slf4j2-impl</artifactId> <version>2.23.1</version> </dependency> ``` --- #### 2. 解决依赖冲突 如果已添加日志实现库仍报错，检查是否有多个 SLF4J 绑定库共存。例如： - ❌ 同时存在 `slf4j-log4j12` 和 `logback-classic` - ❌ 旧版本 SLF4J（如 1.x）与新版本实现库不兼容 使用 Maven/Gradle 的依赖分析工具排除冲突： ```xml <!-- Maven 示例：排除冲突的 log4j 绑定 --> <dependency> <groupId>some-group</groupId> <artifactId>some-artifact</artifactId> <exclusions> <exclusion> <groupId>org.slf4j</groupId> <artifactId>slf4j-log4j12</artifactId> </exclusion> </exclusions> </dependency> ``` --- ### **验证步骤** 1. 检查依赖树： ```bash # Maven mvn dependency:tree # Gradle gradle dependencies ``` 确保只有一个 SLF4J 绑定库存在，且版本与 `slf4j-api` 一致。 2. 如果使用 Spring Boot： Spring Boot 默认集成 Logback，无需额外配置。若手动排除 Logback，需显式添加其他实现库。 --- ### **总结** - **核心问题**：缺少 SLF4J 的日志实现库。 - **关键操作**：添加一个且仅一个 SLF4J 兼容的日志实现库。 - **避坑提示**：避免混用多个日志实现，确保版本一致。 如果问题仍未解决，请提供 `pom.xml` 或 `build.gradle` 依赖配置，我会进一步帮你排查！
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