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。


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。
AI Stduio快速使用链接
https://aistudio.baidu.com/modelsdetail?modelId=273
两种使用形态
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。

两种开发形态
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:
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;
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;
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。
RT-DETR 完整技术解读
内容中包含的图片若涉及版权问题,请及时与我们联系删除
评论
沙发等你来抢