本文介绍本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境安装指定版本的PyTorch和相关依赖包。然后准备数据集修改配置文件并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置设置训练参数验证阶段评估模型性能推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载以及详细的参数配置说明帮助用户快速搭建RT-DETR目标检测模型。RT-DETR创新改进目录新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点全新RT-DETR创新改进专栏地址最全RT-DETR创新改进高效涨点永久更新中至少500改进高效跑实验发论文RT-DETR论文解读看这篇博客内容【CVPR2024 RT-DETR 全文解读】实时目标检测更快更准、帮助你更好去理解、适合小白快速入门了解RT-DETR模型目录本文介绍一、下载最新版本ultralytics 源码二、创新RT-DETR虚拟环境第一步创建一个自己的虚拟环境第二步进入到自己的虚拟环境第三步安装pytorch,建议不要安装太新版本第四步直接复制以下所有命令到控制台回车运行三、准备自己的数据集将自己数据集放到datasets文件夹里若没有datasets文件夹就自己创建一下修改data.yaml 配置文件四、Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进高效涨点这步操作非常重要可以参考我的这个调参教程五、训练自己的数据集五、验证自己的模型效果六、推理测试自己的模型一、下载最新版本ultralytics 源码下载源码地址ultralytics/ultralytics: Ultralytics 二、创新RT-DETR虚拟环境第一步创建一个自己的虚拟环境conda create -n new_name python3.10第二步进入到自己的虚拟环境conda activate new_name第三步安装pytorch,建议不要安装太新版本pytorch官网Previous PyTorch Versionspip install torch2.5.1 torchvision0.20.1 torchaudio2.5.1 --index-url https://download.pytorch.org/whl/cu121第四步直接复制以下所有命令到控制台回车运行pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnx1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime1.15.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install pycocotools2.0.7 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install PyYAML6.0.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scipy1.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxsim0.4.36 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime-gpu1.18.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install timm1.0.7 thop efficientnet_pytorch0.7.1 einops grad-cam1.5.4 dill0.3.6 albumentations pytorch_wavelets1.3.0 tidecv PyWavelets -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mmcv2.2.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.3/index.html三、准备自己的数据集如果自己没有数据集可以去这个官网上找公共数据集去练习Roboflow Datasets将自己数据集放到datasets文件夹里若没有datasets文件夹就自己创建一下修改data.yaml 配置文件四、Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进高效涨点这步操作非常重要可以参考我的这个调参教程超详细调参数教程、1:1还原RT-DETR最佳性能【RT-DETR创新改进】改进前必看对Ultralytics调参 11还原RT-DETR官方版本实验参数使用原汁原味的RT-DETR模型才能高效跑实验、高效涨点、收割小论文、完成大论文五、训练自己的数据集创健train.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR # 模型配置文件以相对路径调用也可以使用绝对路径 model_yaml_path ./ultralytics/cfg/models/rt-detr/rtdetr-r18.yaml #数据集配置文件以相对路径调用也可以使用绝对路径 data_yaml_path ./datasets/data.yaml if __name__ __main__: model RTDETR(model_yaml_path) # model.load(rtdetr-l.pt) # 加载预训练权重 #训练模型 results model.train(datadata_yaml_path, imgsz640, epochs200, batch8, workers0, projectruns/RT-DETR/train, nameexp, )五、验证自己的模型效果创健val.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR # 训练好的模型配置文件以相对路径调用也可以使用绝对路径 model_yaml_path ./runs/RT-DETR/train/exp/weights/best.pt #这行使用训练和的best.pt文件 #数据集配置文件以相对路径调用也可以使用绝对路径 data_yaml_path ./datasets/data.yaml if __name__ __main__: model RTDETR(model_yaml_path) model.val(datadata_yaml_path, splitval, imgsz640, batch4, # save_jsonTrue, # 这个保存coco精度指标的开关 projectruns/RT-DETR/val, nameexp, )六、推理测试自己的模型创健predict.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR if __name__ __main__: model RTDETR(./rtdetr-l.pt) # 使用自己训练好的权重文件 model.predict( source./ultralytics/assets/bus.jpg, # 预测的数据源可以是图片、文件夹、视频路径等 imgsz640, # 图片的输入尺寸 projectruns/detect, # 预测结果保存的项目目录 nameexp, # 子目录名最终保存路径为 runs/detect/exp saveTrue, # 是否保存预测后的图片 # visualizeTrue, # 是否可视化中间特征图默认注释掉即不启用 # show_confFalse, # 是否显示置信度关闭显示 # show_labelsFalse, # 是否显示标签关闭显示 )
快速入门必看！RT-DETR手把手训练自己的数据集去跑实验，基于 ultralytics 仓库源码改进，配置虚拟环境，准备数据集、训练、验证、推理测试 ，实现0到1的完整教学过程。
本文介绍本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境安装指定版本的PyTorch和相关依赖包。然后准备数据集修改配置文件并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置设置训练参数验证阶段评估模型性能推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载以及详细的参数配置说明帮助用户快速搭建RT-DETR目标检测模型。RT-DETR创新改进目录新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点全新RT-DETR创新改进专栏地址最全RT-DETR创新改进高效涨点永久更新中至少500改进高效跑实验发论文RT-DETR论文解读看这篇博客内容【CVPR2024 RT-DETR 全文解读】实时目标检测更快更准、帮助你更好去理解、适合小白快速入门了解RT-DETR模型目录本文介绍一、下载最新版本ultralytics 源码二、创新RT-DETR虚拟环境第一步创建一个自己的虚拟环境第二步进入到自己的虚拟环境第三步安装pytorch,建议不要安装太新版本第四步直接复制以下所有命令到控制台回车运行三、准备自己的数据集将自己数据集放到datasets文件夹里若没有datasets文件夹就自己创建一下修改data.yaml 配置文件四、Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进高效涨点这步操作非常重要可以参考我的这个调参教程五、训练自己的数据集五、验证自己的模型效果六、推理测试自己的模型一、下载最新版本ultralytics 源码下载源码地址ultralytics/ultralytics: Ultralytics 二、创新RT-DETR虚拟环境第一步创建一个自己的虚拟环境conda create -n new_name python3.10第二步进入到自己的虚拟环境conda activate new_name第三步安装pytorch,建议不要安装太新版本pytorch官网Previous PyTorch Versionspip install torch2.5.1 torchvision0.20.1 torchaudio2.5.1 --index-url https://download.pytorch.org/whl/cu121第四步直接复制以下所有命令到控制台回车运行pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple pip install torchsummary -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnx1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime1.15.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install pycocotools2.0.7 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install PyYAML6.0.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scipy1.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxsim0.4.36 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxruntime-gpu1.18.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install timm1.0.7 thop efficientnet_pytorch0.7.1 einops grad-cam1.5.4 dill0.3.6 albumentations pytorch_wavelets1.3.0 tidecv PyWavelets -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mmcv2.2.0 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.3/index.html三、准备自己的数据集如果自己没有数据集可以去这个官网上找公共数据集去练习Roboflow Datasets将自己数据集放到datasets文件夹里若没有datasets文件夹就自己创建一下修改data.yaml 配置文件四、Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进高效涨点这步操作非常重要可以参考我的这个调参教程超详细调参数教程、1:1还原RT-DETR最佳性能【RT-DETR创新改进】改进前必看对Ultralytics调参 11还原RT-DETR官方版本实验参数使用原汁原味的RT-DETR模型才能高效跑实验、高效涨点、收割小论文、完成大论文五、训练自己的数据集创健train.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR # 模型配置文件以相对路径调用也可以使用绝对路径 model_yaml_path ./ultralytics/cfg/models/rt-detr/rtdetr-r18.yaml #数据集配置文件以相对路径调用也可以使用绝对路径 data_yaml_path ./datasets/data.yaml if __name__ __main__: model RTDETR(model_yaml_path) # model.load(rtdetr-l.pt) # 加载预训练权重 #训练模型 results model.train(datadata_yaml_path, imgsz640, epochs200, batch8, workers0, projectruns/RT-DETR/train, nameexp, )五、验证自己的模型效果创健val.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR # 训练好的模型配置文件以相对路径调用也可以使用绝对路径 model_yaml_path ./runs/RT-DETR/train/exp/weights/best.pt #这行使用训练和的best.pt文件 #数据集配置文件以相对路径调用也可以使用绝对路径 data_yaml_path ./datasets/data.yaml if __name__ __main__: model RTDETR(model_yaml_path) model.val(datadata_yaml_path, splitval, imgsz640, batch4, # save_jsonTrue, # 这个保存coco精度指标的开关 projectruns/RT-DETR/val, nameexp, )六、推理测试自己的模型创健predict.py脚本import warnings warnings.filterwarnings(ignore) from ultralytics import RTDETR if __name__ __main__: model RTDETR(./rtdetr-l.pt) # 使用自己训练好的权重文件 model.predict( source./ultralytics/assets/bus.jpg, # 预测的数据源可以是图片、文件夹、视频路径等 imgsz640, # 图片的输入尺寸 projectruns/detect, # 预测结果保存的项目目录 nameexp, # 子目录名最终保存路径为 runs/detect/exp saveTrue, # 是否保存预测后的图片 # visualizeTrue, # 是否可视化中间特征图默认注释掉即不启用 # show_confFalse, # 是否显示置信度关闭显示 # show_labelsFalse, # 是否显示标签关闭显示 )
