【RT-DETR有效改进】带你分析如何确定改进的基础模型，解决模型无法收敛精度很差的问题(ResNet官方一比一复现)

Snu77

已于 2024-01-17 03:24:06 修改

阅读量4.2k

点赞数 35

CC 4.0 BY-SA版权

分类专栏： RT-DETR有效改进专栏文章标签：深度学习人工智能 RT-DETR YOLO 目标检测 python 计算机视觉

于 2024-01-12 05:33:59 首次发布

本文链接：https://blog.csdn.net/java1314777/article/details/135511297

RT-DETR有效改进专栏专栏收录该内容

该专栏为热销专栏榜第4名

68 篇文章 ¥129.90 ¥299.90

订阅专栏

本文详细介绍了如何解决RT-DETR模型在训练时出现的不收敛问题，以及如何选择合适的Baseline进行模型改进。作者提供了一比一复现RT-DETR官方实验环境的方法，特别推荐使用ResNet18作为基础模型，并分享了自己成功改进后的训练结果。文章还讨论了RT-DETR的轻量化和提高mAP精度两个研究方向，并预告了后续的博客内容将涵盖更多实验对比和改进机制。

一、本文介绍

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。

其次我也将RT-DER的官方版本ResNet18、ResNet34、ResNet50、ResNet101集成在ultralytics仓库（不同于现在仓库里更新的R50和R101我是根据RT-DETR官方的代码一比一移植过来的参数量基本保持一致，网上发的都是ResNet的本身，但这和RT-DETR官方实验的版本其实是有很大的出入的）所以从今天开始正式开始更新RT-DETR的改进了，下面来教大家选取自己的baseline也就是你改进的基础模型，后面会说到如何解决模型为何不收敛的问题，以及我用我复现模型训练的结果。

本专栏旨在打造全网最好的RT-DETR专栏！