学习笔记：RT-DETR训练自己的数据集(Pytorch)

        最近在做对大棚不同生育期草莓的目标检测，由于做yolo的太多了，遂转移赛道。这一转移不得了，发现这个RT-DETR居然远远超过了2020年的超级慢的DETR并且超越了yolov5，甚至v8。现准备先复现一下。

        原论文：[2304.08069] DETRs Beat YOLOs on Real-time Object Detection (arxiv.org)

        官方代码：GitHub - lyuwenyu/RT-DETR: [CVPR 2024] Official RT-DETR (RTDETR paddle pytorch), Real-Time DEtection TRansformer, DETRs Beat YOLOs on Real-time Object Detection. 🔥 🔥 🔥

        复现路上的参考文章1：使用官方版RT-DETR训练自己的数据集(Pytorch)_rtdetr训练自己数据-CSDN博客

        参考文章2：

训练官方源码RT-DETR（血泪的教训！严格按照官方流程！）_rt-detr python-CSDN博客

        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）

        此外，对于系统为windows的用户，num_workers需要改为0。（参考文章二给出）

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

        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

        

        报错原因为torchvision版本过低,直接输入pip install --upgrade torchvision（参考文章2）导致了新的报错，但依旧是版本问题

        按照小绿发言，修改之后没问题后就正常运行了。

        conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

        或者是在rtdetr_pytorch文件夹下启动环境，然后输入pip install -r requirements

Tips:

1.版本问题的话还是要去参考官方文档和自己的设备，单纯按照小绿可能存在显卡与环境不支持的状况或者pip install --upgrade torchvision也是易导致环境冲突

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

3.配置文件中的类别数就是自己数据集的类别数，无需加1，这与detr不同

4.版本要求真的很严格！