【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

已于 2024-01-29 00:19:42 修改
阅读量4.3k 收藏 47
点赞数 53
分类专栏： RT-DETR有效改进专栏 文章标签： 人工智能 YOLO 深度学习 python pytorch 计算机视觉 RT-DETR
于 2024-01-15 07:00:00 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/java1314777/article/details/135584733
版权

前言

大家好，我是Snu77，这里是RT-DETR有效涨点专栏。

本专栏的内容为根据ultralytics版本的RT-DETR进行改进，内容持续更新，每周更新文章数量3-10篇。

其中提到的多个版本ResNet18、ResNet34、ResNet50、ResNet101为本人根据RT-DETR官方版本1：1移植过来的，参数量基本保持一致(误差很小很小)，不同于ultralytics仓库版本的ResNet官方版本，同时ultralytics仓库的一些参数是和RT-DETR相冲的所以我也是会教大家调好一些参数，真正意义上的跑ultralytics的和RT-DETR官方版本的无区别，给后期发论文的时候省区许多麻烦。

👑欢迎大家订阅本专栏，一起学习RT-DETR👑 

本文介绍 

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

了解本专栏 订阅专栏 解锁全文
Snu77
关注
  • 53
    点赞
  • 踩
  • 47
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
订阅专栏
【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的博客
01-12 2600
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。
RT-DETR算法改进：更换损失函数Alpha-IoU损失函数，边界框回归联合损失的幂交集，提升RT-DETR检测精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 669
RT-DETR算法｜改进Alpha-IoU损失函数
Rethinking Transformer-based Set Prediction for Object Detection——DETR收敛慢的原因分析
Nick Blog
07-13 3143
最近整理Transformer和set prediction相关的检测&实例分割文章，感兴趣的可以跟一下： DETR: End-to-End Object Detection with Transformers Deformable DETR Rethinking Transformer-based Set Prediction for Object Detection Instances as Queries SOLQ: Segmenting Objects by Learning Querie
RT-DETR resume训练
weixin_42486286的博客
03-14 537
RT-DETR resume 继续训练
已解决：RT-DETR训练卡在 Transferred 926/941 items from pretrained weights 长时间不动
最新发布
m0_62769888的博客
06-03 473
2.RT-DETR 对 pytorch 也有要求，>1.10好像？我用下面这个pytorch 1.11没有问题。我的需求：1.GeForce RTX 3090 显卡支持 的CUDA 得是 11 以上的版本；其次，卸载原有torch、torchvision；然后，下载（这里用了清华镜像，会快点）那么问题和我的一样，这个问题是。我解决成功办法：根据需求重装。（如果和我的一样就直接复制）训练时，出现了上述问题。
YOLO框架下（ultralytics） RTDETE 与 YOLOv8 目标检测对比
qq_42835363的博客
02-01 1321
1 RTDETR的召回相对较高，缺点：存在过检现象（背景或车上的货物识别为目标），优点：一些被遮挡或边角的目标能够比v8正确检出。 2 存在目标RTDETR漏检，但v8正确检出。有时候v8也会过检，但概率较低。 3 存在目标RTDETR误检，v8正确检出/由于遮挡漏检。 4 当前训练是2700+数据训练的模型，本人认为尽管存在上述2、3所提问题，但RTDETR的过检应该可以通过conf过滤，而部分误检现象通过增大数据集应该可以改善，但2、3同时也说明，相对来说，v8可以用较少的数据训出较好的模
利用mindspore下面mindzoo里面的yolov3-darknet53进行目标识别，模型训练不收敛
weixin_45666880的博客
07-12 675
Modelzoo中yolov3-darknet53代码（mindspore1.1源码中的modelzoo）。运行环境：mindspore-gpu1.4.1 docker，python3.7.5【操作步骤&问题现象】1、数据方面：原始数据是公开比赛数据xinye，标注标准是coco2014格式。数据的组织形式是按照yolov3-darknet53. 其中训练数据1300张，大小为960*720（width*height）.原始数据图片和标注可视化后形式如下：同时下载了darknet53.conv.74并用自
【DETR】2、Deformable DETR | 使用多尺度可变形 attention 的方式来解决 DETR 收敛慢和小目标不好的问题
呆呆的猫的博客
10-26 4551
本文主要介绍 Deformable DETR
从零开始训练 RT-DETR模型最新版本教程说明（包含Mac、Windows、Linux端 ）同之前的项目版本代码有区别
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-29 774
从零开始训练 RT-DETR最新版本教程说明（包含Mac、Windows、Linux端 ）
RT-DETR个人整理向理解
weixin_44438120的博客
09-07 3464
在开始介绍RT-DETR这个网络之前，我们首先需要先了解DETR这个系列的网络与我们常提及的以及存在着何种差异。首先我们先简单讨论一下以及两者的差异与共性：1、两者差异：顾名思义，这两者一个显而易见的差别就是有无anchor，是需要手工选取不同比例大小的anchor来得到proposals，而则不需要。当然两者具体差异肯定不是这么几句话就能说的清的，这里不做详细讨论所以按下不表。2、两者共性：两者虽然在获取proposals。
目标检测+PaddleDetection+rt-detr运行代码
06-28
在保持DETR的端到端特性的同时，通过优化和改进，rt-detr能够更快地收敛，并在推理速度上有所提升，使得它在实时应用中更具竞争力。rt-detr的实现可能包括了数据预处理、模型训练、模型优化以及推理部署等多个环节。...
【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 2653
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 1万+
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。
Deformable DETR学习笔记
qq_41439608的博客
06-29 8068
Deformable DETR学习笔记 1.DETR的缺点 (1)训练时间极长：相比于已有的检测器，DETR需要更久的训练才能达到收敛(500 epochs),比Faster R-CNN慢了10-20倍。 (2)DETR在小物体检测上性能较差，现存的检测器通常带有多尺度的特征，小物体目标通常在高分辨率特征图上检测，而DETR没有采用多尺度特征来检测，主要是高分辨率的特征图会对DETR增加不可接受的计算复杂度。 为了解决这两个问题，所以提出了Deformable DETR。 2.TransformerCV的
【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 4074
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！。
RTDETR(CVPR2024)改进系列指南
热门推荐
qq_37706472的博客
02-17 1万+
RTDETR(CVPR2024)改进系列指南(RTDETR-R18,RTDETR-R50,YOLOV5-DETR,YOLOV8-DETR)
YOLOv5/v6/v7/v8/RT-DETR 对比试验的一些想法
YOLOv8项目贡献者
07-21 6450
个人心得体会
RT-DETR训练自己的数据集
09-23
RT-DETR可以通过使用自己的数据集来进行训练。您可以按照以下步骤进行操作： 1. 准备数据集：将您的数据集组织成与RT-DETR要求的格式相匹配的结构。通常，数据集应包含图像和相应的标注文件，标注文件描述了每个图像中物体的位置和类别。 2. 数据预处理：根据您的需求，可以对数据集进行预处理，例如调整图像大小、归一化、裁剪等。 3. 训练模型：使用准备好的数据集，使用RT-DETR提供的训练脚本对模型进行训练。您可以根据需要设置训练的参数，例如学习率、批量大小、训练轮数等。 4. 评估模型：在训练完成后，您可以使用测试集对模型进行评估，以验证其性能和准确性。 5. 模型优化：如果需要进一步提升模型性能，您可以尝试使用不同的超参数配置、数据增强技术或调整网络结构。 请注意，具体的步骤和实施细节可能因您的数据集和需求而有所不同。建议您参考RT-DETR的官方文档和示例代码，以获取更详细的指导。
评论 7
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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