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。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
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。
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