【目标检测经典模型比较】--DETR RT-DETR

最新推荐文章于 2025-03-12 07:00:00 发布
最新推荐文章于 2025-03-12 07:00:00 发布
阅读量1.7k 收藏 38
点赞数 7
分类专栏： 目标检测经典模型比较 文章标签： 目标检测 人工智能 计算机视觉 pytorch python 深度学习
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/weixin_62371528/article/details/136078428
版权
DETR提出了一种无后处理目标检测方法，消除了传统方法中的手动组件。RT-DETR改进了实时性能，提出混合编码器和IoU感知查询选择，实现在速度和精度上的优势。同时，文章分析了NMS对实时检测的影响并指出MMLAB训练数据集的挑战。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

DETR RT-DETR

请添加图片描述

1.DETR请添加图片描述请添加图片描述

请添加图片描述

摘要： 我们提出了一种将目标检测视为直接集预测问题的新方法。我们的方法简化了检测管道，有效地消除了许多手工设计的组件，如非最大抑制过程或锚生成，这些组件显式地编码了我们对任务的先验知识。新框架的主要组成部分，称为检测变压器或DETR，是一个基于集合的全局损失，通过二部匹配强制进行唯一预测，以及一个变压器编码器-解码器架构。给定一组固定的小学习对象查询，DETR对对象和全局图像上下文的关系进行推理，以直接并行输出最终的预测集。新模型在概念上很简单，不像许多其他现代探测器那样需要专门的库。在具有挑战性的COC

最低0.47元/天 解锁文章
算法联调篇 | YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！【含端到端推理脚本】
YOLOv8项目贡献者
04-02 5241
YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！
RT-DETR个人整理向理解
weixin_44438120的博客
09-07 5179
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。
几种目标检测网络模型对比（RCNN系列、Mask-RCNN、R-FCN、YOLO、SSD、FPN等）
热门推荐
Dominic_S的博客
11-20 2万+
RCNN RCNN具体原理解析 网络分为四个部分：区域划分、特征提取、区域分类、边框回归 区域划分：使用selective search算法画出2k个左右候选框，送入CNN 特征提取：使用imagenet上训练好的模型，进行finetune 区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分裂 边框回归：使用线性回归，对边框坐标进行精修 优点：ss算法比滑窗得到候选框高效一些；使用...
【详细版】DETR系列之RT-DETR（2024 CVPR）
最新发布
朴实无华的研究生活
03-12 2787
本文提出了一种名为RT-DETR的实时端到端目标检测器，解决了现有实时检测器在速度和精度上的问题。RT-DETR通过设计高效的混合编码器处理多尺度特征，并引入IoU感知查询选择来提高性能。实验结果显示，RT-DETR-L在COCO验证集上达到53.0%的平均精度(AP)，并在T4 GPU上达到114帧每秒(FPS)，而RT-DETR-X则达到54.8% AP和74 FPS，优于当前最先进的YOLO检测器。此外，RT-DETR-R50在精度和FPS方面也显著超越了其他同类检测器。
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
weixin_62371528的博客
02-06 1691
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
【计算机视觉 | 目标检测】RT-DETR：DETRs Beat YOLOs on Real-time Object Detection
wzk4869的博客
04-24 7229
【计算机视觉 | 目标检测】RT-DETR：DETRs Beat YOLOs on Real-time Object Detection
深度学习目标检测
u013102349的博客
02-20 3489
在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、分类器（SVM、Adaboost等）三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1 以RCNN为代表的基于Region Proposal的深度学习目标检测算法（RC...
DETR系列：RT-DETR（一） 论文解析
lansebingxuan的专栏
06-26 2万+
实时目标检测(Real-Time Object Detection )过去一直由 YOLO 系列模型主导。YOLO 检测器有个较大的待改进点是需要 NMS 后处理，其通常难以优化且不够鲁棒，因此检测器的速度存在延迟。2020年DETR算法诞生，Detr是第一个基于transformer的端到端算法，没有anchor前处理和NMS后处理，但是Detr收敛慢，训练慢，推理也慢，尽管后续的优化算法不断加快收敛速度，提升推理速度，但仍然无法实现实时要求。
算法部署-基于C++和Python使用ONNXRuntime部署RT-DETR目标检测算法-附项目源码-优质项目实战.zip
05-12
RT-DETR（Real-Time DETR）是一种高效的目标检测模型，它基于DETR（DEtection TRansformer），但进行了优化以提高推理速度。DETR是Facebook AI Research提出的一种端到端的检测器，它利用Transformer架构处理图像...
目标检测+PaddleDetection+rt-detr运行代码
06-28
总之，这个“PaddleDetection-develop”压缩包提供了一个实现rt-detr目标检测模型的完整代码库，通过学习和实践，你可以掌握使用PaddleDetection进行目标检测的全过程，同时深入了解DETR和rt-detr在目标检测领域的...
算法部署-使用TensorRT部署RT-DETR目标检测算法-优质算法部署项目实战.zip
10-20
TensorRT作为加速模型部署的重要工具，在将RT-DETR等先进目标检测模型部署到生产环境的过程中起到了关键作用。这一过程不仅仅是技术的实现，更是一个综合性的工程实施过程，需要多方面的知识和技能。成功地将RT-DETR...
目标检测算法之RT-DETR
weixin_52862386的博客
06-27 2938
对RT-DETR的encoder部分，整体看下来像是yolo的backbone+neck。RT-DETR的核心还是在增速上，所以这里它的优化思想是值得借鉴的，但是yolo结构跟DETR结构之间的界限越来越模糊了。对query的优化上，只是做了对齐，使其选择的query更加精确。整体而言模型的创新不大。虽然DETR提倡的是NMS-Free，但是对于某些对精装度要求较高的任务中，如果阈值设置过低，导致最后得出的框过多，仍然需要借助NMS的方法去改进。设置过高则存在丢框的问题。
衡量目标检测模型性能--mAP（mean average precision）
Synioe的博客
12-18 1758
使用机器学习解决常见目标检测问题通常有多个模型可用，每个模型基于不同的因素性能表现存在差异。 每个模型通过在数据集（训练、验证集）上的评判性能指标，性能衡量通过不同的统计特征进行评价--accuracy,precision,recall等等，统计参数的选择依赖于应用场景和案例。对于每一个应用，找到一个衡量指标对比模型的性能非常有必要。 这里讨论的是目标检测问题中常见的度量方法--mean ...
【论文阅读】—RTDETR
Jeremy_lf的博客
08-05 2347
最近，基于端到端DETR取得了显著的性能。然而，DETR的高计算成本限制了它们的实际应用，并阻碍了它们充分利用无后处理（如非最大抑制（NMS））的优势。本文首先分析了NMS对现有实时目标检测器的准确性和速度的负面影响，并建立了一个端到端的速度基准。为了解决上述问题，我们提出了一种实时检测转换器（RT-DETR），这是我们所知的第一个实时端到端目标检测器。具体来说，，通过解耦尺度内交互和跨尺度融合来有效地处理多尺度特征，，通过向解编码器提供更高质量的初始object queries来进一步提高性能。
目标检测-RT-DETR
午夜的行人
09-06 4579
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。
百度提出的RT-DETR：DETRs Beat YOLOs on Real-time Object Detection目标检测论文翻译
guanshanjushi2的专栏
04-25 1527
最近，基于端到端Transformer的检测器（DETRs）已经取得了显著的性能。然而，DETRs的高计算成本问题尚未得到有效解决，限制了它们的实际应用，并阻止它们充分利用无后处理的优点，例如非最大值抑制（NMS）。本文首先分析了现代实时目标检测器中NMS对推理速度的影响，并建立了一个端到端速度基准。为避免NMS引起的推理延迟，我们提出了Real-Time DEtection TRansformer（RT-DETR），这是我们所知道的第一个实时端到端物体检测器。
论文学习：RT-DETR
记一些学习笔记
09-27 1216
DETR取得显著性能，但高成本计算使其无法发挥无NMS的优势，无法实际应用。本文分析了NMS对准确性和速度的负面影响，并建立端到端的速度基准。第一个实时端到端检测器，高效处理多尺度特征，并提出IoU-aware query selection，向解码器提供了更高质量的初始object queries可以灵活调整解码器层数来调整推理速度，不需要重新训练。速度和精度都优于相同规模最先进的YOLO检测器。
RT-DETR论文学习笔记（DETRs Beat YOLOs on Real-time Object Detection）
athrunsunny的博客
04-20 1万+
目标检测是一项基本的视觉任务，涉及识别和定位图像中的目标。现代目标检测器有两种典型的体系结构：基于CNN，基于Transformer。在过去的几年里，人们对基于CNN的目标检测器进行了广泛的研究。这些检测器的架构已经从最初的两阶段发展到一阶段，并且出现了两种检测范式，Anchor-Base和Anchor-Free。这些研究在检测速度和准确性方面都取得了重大进展。基于Transformer的目标检测器（DETR）由于消除了各种手工设计的组件，如非最大值抑制（NMS），自提出以来，受到了学术界的广泛关注。
RT-DETR：又快又好的ViT系列模型，拉开ViT实时化的序幕！
m0_63642362的博客
04-30 4960
针对工业场景下实时化检测的需求，我选用PaddleDetection团队新出的RT-DETR模型，相比之前训练的ViTDet系列模型，速度和精度都有一定的提升。
rt-detr目标检测网络模型
01-17
### RT-DETR 目标检测网络模型介绍 #### 前言 RT-DETR 是一种基于 DETR 的实时目标检测框架，旨在提高 DETR 类模型的速度和效率。通过改进架构设计以及优化实现方式，使得该模型能够在保持较高精度的同时实现实时处理能力。 #### 架构特点 RT-DETR 主要采用了 Transformer 结构来替代传统卷积神经网络中的特征提取部分[^1]。具体来说： - **编码器-解码器结构**：采用多层堆叠的自注意力机制（Self-Attention Mechanism），能够捕捉图像全局上下文信息； - **位置嵌入**：引入可学习的位置编码向量，帮助模型理解不同物体之间的相对空间关系； - **查询键值对生成**：不同于原始 DETR 中固定的查询数量设置，在 RT-DETR 中动态调整查询数目以适应不同的输入尺寸； - **轻量化设计**：为了满足实际应用需求，特别针对移动端设备进行了参数裁剪和技术简化工作，从而降低了计算复杂度并提高了运行速度。 #### 安装与使用流程概述 对于想要尝试或开发基于此技术的应用程序开发者而言，可以按照以下步骤操作： ##### 环境搭建 1. 安装 PaddlePaddle 深度学习平台作为底层支持库； 2. 下载并配置好 PaddleDetection 工具包用于构建训练环境； ##### 数据集准备 3. 准备所需的数据集，并将其转换成适合喂给模型的形式； ##### 模型选择与定制化修改 4. 根据应用场景挑选合适的预训练模型版本； 5. 对选定的基础模型做必要的结构调整或是超参调优； ##### 训练过程管理 6. 启动训练脚本执行迭代更新直至收敛稳定； ##### 测试评估性能表现 7. 使用验证集检验最终成果的质量水平； 8. 导出 ONNX 格式的推理引擎以便跨平台移植部署[^2]。 #### 解决常见问题的经验分享 当遇到某些特定挑战比如不借助预训练权重的情况下难以获得有效结果等问题时，可以通过借鉴已有解决方案来进行针对性调试。例如加载官方提供的高质量初始化权值文件能显著改善新数据集上的泛化能力；而对于 TensorRT 推理过程中可能出现的结果异常，则需深入分析内部逻辑找出潜在漏洞加以修复[^3]。 ```python import paddle from paddledet.core.workspace import load_config, merge_config from paddledet.engine.trainer import Trainer as DetrTrainer config_path = 'path/to/config' model_weights = 'pretrained_model.pdparams' cfg = load_config(config_path) merge_config(cfg) trainer = DetrTrainer(cfg=cfg) trainer.load_weights(model_weights) ```
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