提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

 

 

---

前言

提示：这里可以添加本文要记录的大概内容：

RF-DETR训练自己数据集及训练过程---根据项目源码进行，有关配置的博客资源很少，全是小白摸索，有错误不当之处请指正，我将感激不尽。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、项目介绍及地址

RF-DETR：重新定义实时检测的“双冠王”：RF-DETR是首个在COCO数据集上突破60 mAP的实时检测模型，结合Transformer架构与DINOv2主干网络，支持多分辨率灵活切换，为安防、自动驾驶等场景提供高精度实时检测方案。

github地址：github.comhttps://github.com/roboflow/rf-detr

gitcode项目地址如下：

项目目录预览 - rf-detr:RF-DETR is a real-time object detection model architecture developed by Roboflow, released under the Apache 2.0 license. - GitCodehttps://gitcode.com/gh_mirrors/rf/rf-detr/tree/main/rfdetr

二、使用步骤

1.源码下载可选

git或者zip下载，解压后如下：

2.环境配置

注：python>=3.9

根据官网介绍，主要是想向大众提供一个工具：下载包后，直接进行训练自己的数据集微调模型进行推理等功能，都在rfdetr库里有对应方法。因此我是根据项目文件里面的环境需求安装环境，本质上是根据rfdetr给出的方法微调模型。

安装官方库

pip install rfdetr

pycuda
onnx
onnxsim
onnxruntime
onnxruntime-gpu
onnx_graphsurgeon
tensorrt>=8.6.1
polygraphy
上面是requirements.txt内容

如果下载源码了，那么该文件在图中位置，可以终端进入进行pip install -r reruiements.txt

安装需求环境

日志记录与监控组件安装

• TensorBoard：

pip install "rfdetr[metrics]"

pycuda安装对应版本：默认安装了最新版，我电脑cuda是12.6

通过conda安装对应版本，因为博客查到的常用方法的网址已经移除了pycuda，所以我卸载pip安装的，重新安装旧版pip install pycuda=2024.1

3.训练文件及数据集要求

Dataset structure

数据要如下官方要求

创建train.py

from rfdetr import RFDETRBase

model = RFDETRBase()

model.train(dataset_dir=<DATASET_PATH>, epochs=10, batch_size=4, grad_accum_steps=4, lr=1e-4, output_dir=<OUTPUT_PATH>)

参数解释

参数

dataset_dir	Specifies the COCO-formatted dataset location with train, valid, and test folders, each containing _annotations.coco.json. Ensures the model can properly read and parse data.
output_dir	Directory where training artifacts (checkpoints, logs, etc.) are saved. Important for experiment tracking and resuming training.
epochs	Number of full passes over the dataset. Increasing this can improve performance but extends total training time.
batch_size	Number of samples processed per iteration. Higher values require more GPU memory but can speed up training. Must be balanced with grad_accum_steps to maintain the intended total batch size.
grad_accum_steps	Accumulates gradients over multiple mini-batches, effectively raising the total batch size without requiring as much memory at once. Helps train on smaller GPUs at the cost of slightly more time per update.
lr	Learning rate for most parts of the model. Influences how quickly or cautiously the model adjusts its parameters.

 

 

 

 

 

 

 

 

 

 

 

 

4.启动日志

---

总结

半成品，遇到很多错误，思路是官方给的，但是其中碰到问题未解决。等后面状态好些再调试了