全新RT-DETR模型提升精度与速度的实时物体检 测方案
RT-DETR是面向实时物体检测的创新模型,通过混合编码器和最小化不确定性查询选择,实现高精度和快速检测。模型在COCO和Objects365数据集训练,支持速度调整以适应多种场景。RT-DETR-R50/R101在COCO上分别取得53.1%和54.3%的平均精度,在T4 GPU上达到108和74 FPS,性能超过YOLO模型。
RT-DETR 是一种实时端到端目标检测器,其全名是 Real-Time DEtection TRansformer。它的设计灵感来源于著名的 YOLO 系列,YOLO 系列由于在速度和准确性之间的合理平衡,成为实时目标检测领域的热门框架。然而,YOLO 在速度和精度方面都受到非极大值抑制(NMS)步骤的负面影响。
最近,基于 Transformer 的检测器(如 DETR)为取消 NMS 提供了一个替代方案,但其高计算成本限制了其实用性。RT-DETR 正是在这样的背景下被提出的,事实上,它也是首个解决这一困境的实时端到端目标检测器。
RT-DETR 通过两个步骤进行构建:首先提升速度的同时保持精度,其次在提升精度的同时保持速度。具体方法包括:
RT-DETR-R50 和 R101 在 COCO 数据集上分别达到了 53.1% 和 54.3% 的 AP(平均精度),在 T4 GPU 上分别可以达到 108 和 74 的 FPS(每秒帧数)。相比以前的先进 YOLO 模型,在速度和精度上都得到了超越。此外,RT-DETR-R50 在准确性上超越了 DINO-R50 2.2% 的 AP,并在 FPS 上快了约 21 倍。在用 Objects365 数据集进行预训练后,RT-DETR-R50 和 R101 达到了更高的 AP。
要开始使用 RT-DETR,可以通过 Python 代码从预训练模型生成物体检测结果。模型使用 COCO 和 Objects365 数据集进行训练和评估,涉及标准的 COCO 度量,包括 AP、AP50、AP75 等。
RT-DETR 模型利用 COCO 2017 物体检测数据集进行训练,该数据集包含 118k 张标注图像用于训练和 5k 张用于验证。训练过程中,图像被调整为 640x640 像素,并根据特定的均值和标准差进行重新缩放。
RT-DETR 的架构包括一个高效混合编码器,它将多尺度特征通过基于注意力的尺度内特征交互和基于卷积的跨尺度特征融合转换为图像特征序列。接下来,不确定性最小的查询选择器会选择固定数量的编码器特征作为解码器的初始查询,最后解码器通过辅助预测头逐次优化这些查询以生成物体类别和边界框。
如果需要引用本项目的论文,您可以使用以下 BibTex:
@misc{lv2023detrs, title={DETRs Beat YOLOs on Real-time Object Detection}, author={Yian Zhao and Wenyu Lv and Shangliang Xu and Jinman Wei and Guanzhong Wang and Qingqing Dang and Yi Liu and Jie Chen}, year={2023}, eprint={2304.08069}, archivePrefix={arXiv}, primaryClass={cs.CV} }
通过这篇介绍,相信读者可以更好地理解和使用 RT-DETR 模型进行高效的目标检测任务。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号