rtdetr

### RT-DETR 使用指南 #### 安装环境准备 为了顺利部署和运行RT-DETR模型，建议先准备好相应的Python虚拟环境以及必要的依赖库。通常情况下，推荐使用Anaconda来创建独立的工作空间并安装所需的包。 ```bash # 创建一个新的Conda环境名为rt-detr-env conda create --name rt-detr-env python=3.8 # 激活该环境 conda activate rt-detr-env # 更新pip至最新版本 pip install --upgrade pip ``` #### 获取源码与资源 访问官方提供的Git仓库链接获取项目的完整代码： ```bash git clone https://gitcode.com/gh_mirrors/rt/RT-DETR.git cd RT-DETR ``` #### 安装依赖项 按照README.md中的指导完成所有必需软件包的安装过程。这一步骤对于确保后续操作能够正常执行至关重要。 ```bash pip install -r requirements.txt ``` #### 数据集准备 根据具体应用场景选择合适的数据集，并将其转换成适合输入给定框架的形式。一般而言，COCO数据集是一个不错的选择用于测试目的。 #### 训练模型 启动训练之前，请确认已经正确设置了参数配置文件（config）。如果打算利用预训练权重加速收敛，则需指定路径加载这些权重。 ```python import torch from detr import build_model, get_args_parser from datasets import build_dataset args = get_args_parser().parse_args() model, criterion, postprocessors = build_model(args) device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) dataset_train = build_dataset(image_set='train', args=args) sampler_train = torch.utils.data.RandomSampler(dataset_train) batch_sampler_train = torch.utils.data.BatchSampler(sampler_train, batch_size=args.batch_size, drop_last=True) data_loader_train = torch.utils.data.DataLoader( dataset_train, batch_sampler=batch_sampler_train, collate_fn=utils.collate_fn, num_workers=args.num_workers ) for samples, targets in data_loader_train: outputs = model(samples.tensors.to(device)) loss_dict = criterion(outputs, targets) weight_dict = criterion.weight_dict losses = sum(loss_dict[k] * weight_dict[k] for k in loss_dict.keys() if k in weight_dict) optimizer.zero_grad() losses.backward() optimizer.step() ``` #### 推理预测 当完成了足够的迭代次数之后，可以保存最终得到的最佳模型状态字典，并通过它来进行推理工作。 ```python checkpoint = { 'model': model_without_ddp.state_dict(), } torch.save(checkpoint, output_dir / 'checkpoint.pth') # 加载已有的检查点继续推断 loaded_checkpoint = torch.load('path_to_your_best_model.pth') model.load_state_dict(loaded_checkpoint['model']) model.eval() with torch.no_grad(): predictions = [] for images, _ in test_data_loader: prediction = model(images.to(device)) predictions.append(prediction.cpu()) ``` [^1]