在AI产业落地中，经常遇到AI训练数据样本较少的难题，工程上通常以仿真生成新数据或者其他数据挖掘的办法来解决，大大增加了项目的时间周期和成本。

随着百度飞桨SOTA目标检测模型 RT-DETR 的发布，越来越多做目标检测的开发者将 RT-DETR 作为检测任务的首选。各大硬件公司纷纷适配 RT-DETR 模型。

近期，RT-DETR原创团队深入研究Transformer Based检测算法特性，发现RT-DETR 在小样本数据上具有极好的表现。在COCO小样本（10%）数据上实验，RT-DETR性能高于同类检测算法8.6%以上（对比数据见下表）。原因在于，RT-DETR 不同于以往实时目标检测器的学习方法，其在拥有较强归纳偏置的同时会尽可能地利用预训练权重，所以在训练样本非常少的时候，RT-DETR 拥有极其强的泛化能力。

快速使用

为了方便大家快速上手RT-DETR模型的训练调优和部署，RT-DETR已上线飞桨AI套件PaddleX！在PaddleX中使用RT-DETR，可通过工具箱模式/开发者模式快速体验模型产线全流程，非常便捷，且同时支持云端和本地端两种使用方式。

https://aistudio.baidu.com/modelsdetail?modelId=273

• AI Studio云端：在AI Studio平台，使用云端算力，快速完成RT-DETR-L的训练、测试和部署。

云端使用

• 本地端软件：全新发布。通过下载本地端软件，完成模型的训练、测试和部署。

本地端软件下载

• 工具箱模式：通过图形界面点选，可以完成RT-DETR的训练、验证和部署（且工具箱模式代码已经实现）。

•  开发者模式：通过5个UAPI调用，可以完成RT-DETR的训练和验证（训练脚本在开发者模式已经准备就绪）。

 1# 训练
 2model.train(
 3        batch_size=8,
 4        learning_rate=0.0001,
 5        epochs_iters=40,
 6        device=device,
 7        num_workers=3,
 8        save_dir=train_save_dir)
 9
10# 评估
11model.evaluate(weight_path=best_weight_path, device=device, num_workers=3)
12
13# 直接预测
14model.predict(
15        weight_path=best_weight_path,
16        device=device,
17        input_path=infer_input_path,
18        save_dir=pred_save_dir)
19
20# 导出推理模型
21model.export(weight_path=best_weight_path, save_dir=export_save_dir)
22
23# 使用推理模型预测
24model.infer(
25        model_dir=infer_model_dir,
26        device=device,
27        input_path=infer_input_path,
28        save_dir=infer_save_dir)

PaddleX是一站式、全流程、高效率的飞桨AI套件，具备飞桨生态优质模型和产业方案。PaddleX的使命是助力AI技术快速落地，愿景是使人人成为AI Developer。

PaddleX支持10+任务能力，包括图像分类、目标检测、图像分割、3D、OCR和时序预测等；内置36 种飞桨生态特色模型，包括PP-ChatOCR、PP-OCRv4、RP-DETR、PP-YOLOE、PP-ShiTu、PP-LiteSeg、PP-TS等。

PaddleX提供“工具箱”和“开发者”两种开发模式，同时支持云端和本地端。工具箱模式可以无代码调优关键超参，开发者模式可以低代码进行单模型训压推和多模型串联推理。

PaddleX未来还将支持联创开发，收益共享！欢迎广大个人开发者和企业开发者参与进来，共创繁荣的AI技术生态！

目前PaddleX正在快速迭代，欢迎大家试用和指正！比心~

PaddleX本地端即将开放内部测试，扫码进群优先体验PaddleX本地端！

RT-DETR 小样本能力解读

RT-DETR的完整算法，我们在之前的的稿件中已经进行了全面解读，感兴趣的小伙伴可以点击文末链接详细阅读。本篇重点解读 RT-DETR 拥有强劲小样本能力的原因：

1. 极佳的Hybrid Encoder。RT-DETR的Encoder为Hybrid Encoder结构，即同时包含了CNN和Transformer结构，相比其他DETR的Encoder结构，具有更好的归纳偏置，在样本量较少时，发挥的作用更明显；

2. 合适的骨干网络。RT-DETR的骨干网络选用了PP-HGNetV2，该骨干网络天然具有多种感受野的聚合能力，对于检测任务尤其是小样本检测非常友好；

3. 极强的预训练权重。在样本量较少时，预训练权重对结果的影响非常大，RT-DETR的预训练权重采用了飞桨团队自研的SSLD预训练权重，相比ImageNet预训练权重，10% COCO数据上可以提高4个百分点以上。

小样本一直是产业落地的重大难题。未来，飞桨算法团队将通过PaddleX发布更强且通用的视觉轻量化工具，进一步提升目标检测、OCR、图像分割、图像分类等方面的小样本能力。敬请关注PaddleX的新动态。

• 超越YOLOv8，飞桨推出精度最高的实时检测器RT-DETR！