【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

已于 2024-03-10 17:02:00 修改
阅读量3.2k 收藏 15
点赞数 16
分类专栏： RT-DETR有效改进专栏 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉 python RT-DETR
于 2024-01-29 07:45:00 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/135891340
版权
本文详述如何调参RT-DETR，使用ResNet18为例，解析yaml文件中RepC3的0.5含义，探讨优化器的选择与参数调整，包括AdamW优化器、学习率与warmup_epochs的设定。提供调参后的配置文件，适合论文发表前的实验准备。
摘要由CSDN通过智能技术生成

👑欢迎大家订阅本专栏，一起学习RT-DETR👑    

一、本文介绍

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，其余的版本调参基本一致，仅在yaml文件中 有区别，我在另一篇提供ResNet官方移植的版本中以及全部提供了，如果你购买了本专栏，本文内容为必看。

专栏链接：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   

目录

一、本文介绍

二、ResNet18调参

2.1 ResNet18的yaml文件

2.1.1 RepC3的0.5什么含义

了解本专栏 订阅专栏 解锁全文
Snu77
关注
专栏目录
订阅专栏
【RT-DETR改进涨点】ResNet18、34、50、101等多个版本移植到ultralytics仓库(RT-DETR官方一比一移植)
Snu77的博客
01-29 2649
本文是本专栏的第一篇改进，我将RT-DETR官方版本中的ResNet18、ResNet34、ResNet50、ResNet101移植到ultralytics仓库，网上很多改进机制是将基础版本的也就是2015年发布的ResNet移植到ultralytics仓库中，但是其实RT-DETR实验的ResNet和其是有很大区别的在其中有很多细节上的不同（文章中我也会列出举例）
RT-DETR论文阅读笔记（包括YOLO版本训练和官方版本训练）
热门推荐
Snu77的博客
11-27 1万+
目标检测是一项基础的视觉任务，涉及识别和定位图像中的对象。现代目标检测器有两种典型架构：基于CNN和基于Transformer。在过去几年中，基于CNN的目标检测器进行了广泛的研究。这些检测器的架构已从最初的两阶段发展到单阶段，并出现了基于锚点和无锚点两种检测范式。这些研究在检测速度和精度方面都取得了显著进展。自从提出以来，基于Transformer的目标检测器（DETRs）因其消除了各种手工制作的组件（例如非最大抑制NMS）而受到学术界的广泛关注。
DETR系列：RT-DETR实战部署
lansebingxuan的专栏
06-26 4454
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 yaml 配置文件说明
最新发布
weixin_58429528的博客
08-08 483
YAML 配置文件定义了模型训练、验证、预测及导出等多个方面的设置。本文是对各个部分功能的简要说明。
使用官方版RT-DETR训练自己的数据集(Pytorch)
weixin_53895623的博客
12-20 8457
RT-DETR训练自建数据集的步骤。
YOLOv8训练参数总结及翻译
深度学习炼丹师，偶尔分享炼丹技术!
06-29 1618
等，或者根据型号配置自动选择。影响收敛速度和稳定性。
原论文一比一复现 | 更换 RT-DETR 主干网络为 【ResNet-50】【ResNet-101】【ResNet-152】| 对比实验必备
YOLOv8项目贡献者
11-14 1951
回归经典，更换 RT-DETR 主干网络为 【ResNet-50🏅】【ResNet-101🏅】【ResNet-152🏅】，同行别抄了行不行！
原论文一比一复现 | RT-DETR更换华为最新主干网络【VanillaNet-5】【VanillaNet-6】【VanillaNet-9】【VanillaNet-12】【VanillaNet-13】
YOLOv8项目贡献者
11-14 2965
原论文1比1复现，全网最全版本，想要的我都有！😎
原论文一比一复现 | 更换 RT-DETR 主干网络为 【VGG13】【VGG16】【VGG19】| 对比实验必备
YOLOv8项目贡献者
11-17 762
【VGG13】【VGG16】【VGG19】 原文结构复现
RT-DETR论文解读与代码
qq_52053775的博客
06-15 4407
目前以大名鼎鼎的YOLO为代表的基于CNN的实时监测网络需要NMS进行后处理，导致不能很好的优化网络，并且网络不够健壮，从而导致检测器的推理速度出现延迟。研究者也分析了Anchor-based和Anchor-free的YOLO的性能，发现Anchor并不是影响实时监测的关键要素，而NMS后处理彩色。DETR很好的解决了后处理对于模型的限制，却受限于Transformer巨大的计算量，无法发挥实时监测性。因此，作者想要重构detr,使其具有实时性。
RT-DETR的学习笔记
墨门
04-19 4675
1. 复现训练流程 RT-DETR原文使用的设备
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。
【RT-DETR有效改进】利用EMAttention加深网络深度提高模型特征提取能力（特征选择模块）
Snu77的博客
02-17 1613
本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，
【RT-DETR有效改进】轻量级视觉变换器RepViT改进特征提取网络（轻量化网络）
Snu77的博客
01-17 2074
本位给大家带来的改进机制是RepViT。它是一种最新发布的网络结构，把轻量级的视觉变换器（就是ViT）的设计理念融入到了我们常用的轻量级卷积神经网络（CNN）里。我尝试把它用在RT-DETR的主干网络上，效果还不错，mAP有一定的提高。我用的是这个网络中最轻量级的版本。我将其用于在我的数据上实验（包含多个类别其中包含大中小多个目标类别），无论哪种目标，精度均有所提升。接下来，我会展示一下原始版本和我改进后版本在训练上的对比图。之后会在文章中介绍该网络结构，然后教大家如何修改该网络结构。
无脑——010 复现yolov8 使用yolov8和rt detr 对比，并训练自己的数据集,标签自动标注
weixin_44298961的博客
08-10 8080
使用ultralytics框架运行yolov8，RTDETR
学习笔记：RT-DETR训练自己的数据集(Pytorch)
x_rain_jay的博客
07-03 1097
简单按照参考文章1下载代码并尝试运行流程：前面与其保持一致，在第二步选择了自制数据集，因此在第三步有所不同，具体为我复制生成了一个新的yml文件，将其中的类别数改为自制数据集中的类别数（暂时未+1，detr中是需要＋1的，后续有改动会补充）至参考文章1的步骤三时，由于我使用的是自制的数据集，所以需要修改rtdetr_r18vd_6x_coco.yml路径。2.配置文件中的路径最好是绝对路径，因为这个官方代码的层级还是蛮多的，容易把人绕晕。将图片中的第一行中的路径修改正确即可。在运行后，遇到报错如下。
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 2140
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：
RTDETR论文快速理解和代码快速实现(训练与预测)
weixin_38252409的博客
12-20 5377
最近，我们想比较基于DETR的transformer模型与基于CNN的yolo模型效果，而百度RT-DETR模型声称“在实时目标检测领域打败YOLO”。从数据的角度来看，RT-DETR似乎确实在某些方面超越了YOLO。我选择RT-DETR模型与YOLO模型比较。本篇文章将介绍RT-DETR模型原理–>环境安装–>数据准备–>训练实现–>预测实现。近期，端到端基于transformer检测器DETRs已有显著性能。然而，DETR的计算成本限制其实际应用，也阻止其无后处理的优势(如：NMS)。
RT-DETR环境配置
08-25
要配置RT-DETR环境，你需要进行以下步骤： 1. 首先，你需要解压数据集压缩包。可以使用以下命令进行解压： ```shell python ppdet/modeling/tests/test_architectures.py 2.8 ``` 2. 确保你的系统满足以下要求：4个V100的CUDA版本大于等于11.7.1，NCCL版本大于等于2.7，以及PaddlePaddle-GPU版本大于等于2.4.1。 3. 创建一个名为ppdet的conda环境，并使用Python 3.10版本。可以使用以下命令创建环境： ```shell conda create --name ppdet python=3.10 ``` 4. 确认你的NCCL版本号。可以使用以下命令查看NCCL版本号： ```shell cat /usr/include/nccl.h | grep NCCL_MAJOR -A 2 ``` 5. 安装RT-DETR推荐的Paddle版本。 6. 如果你还没有安装cuDNN，可以参考《CUDA & cuDNN Installbook by Eric》进行安装。另外，你需要配置环境变量`LD_LIBRARY_PATH`，将其指向cuDNN的安装路径。可以使用以下命令进行配置： ```shell export LD_LIBRARY_PATH=/home/songyuc/anaconda3/envs/paddle/lib ``` 完成以上配置步骤后，你就可以开始使用RT-DETR了。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [RT-DETR的学习笔记](https://blog.csdn.net/songyuc/article/details/130242093)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 9
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