RT-DETR使用教程： RT-DETR使用教程
RT-DETR改进汇总贴：RT-DETR更新汇总贴
《Focaler-IoU: More Focused Intersection over Union Loss》
一、 模块介绍
论文链接：https://arxiv.org/abs/2401.10525
代码链接：https://github.com/malagoutou/Focaler-IoU
论文速览：
边界框回归在目标检测领域起着至关重要的作用，目标检测的定位精度很大程度上取决于边界框回归的损失函数。现有研究通过利用边界框之间的几何关系来提高回归性能，同时忽略了困难和容易的样本分布对边界框回归的影响。在本文中，我们分析了困难和容易的样本分布对回归结果的影响，然后提出了 Focaler-IoU，它可以通过关注不同的回归样本来提高检测器在不同检测任务中的性能。最后，利用现有的先进检测器和回归方法对不同的检测任务进行了对比实验，采用本文提出的方法进一步提高了检测性能。代码可在 https://github.com/malagoutou/ Focaler-IoU 获取。
总结：Focaler-IoU。
⭐⭐本文二创模块仅更新于付费群中，往期免费教程可看下方链接⭐⭐
RT-DETR更新汇总贴（含免费教程）文章浏览阅读264次。RT-DETR使用教程：缝合教程： RT-DETR中的yaml文件详解：labelimg使用教程：_rt-deterhttps://xy2668825911.blog.csdn.net/article/details/143696113 ⭐⭐付费项目简介：融合上百种顶刊顶会模块的YOLO项目仅119，此外含高性能自研模型与本文模块融合进行二创三创，最快1-2周完成小论文改进实验，代码每周更新（上周更新超20+二创模块），欢迎QQ：2668825911(点击下方小卡片扫二维码)加我了解。⭐⭐
⭐⭐本项目并非简单的模块插入，平均每个文章对应4-6个二创或自研融合模块，有效果即可写论文或三创。本文项目使用ultralytics框架，兼容YOLOv3\5\6\8\9\10\world与RT-DETR。⭐⭐
已进群小伙伴可以先用下文二创及自研模块在自己的数据集上测试，有效果再进行模块结构分析或继续改进。
二、使用教程
2.1 教程
找到ultralytics/models/utils/loss.py脚本第107行，取消注释改行，并将其他iou行注释,运行即可。(仅适应于群文件2024/11/30日之后更新的工程)
其中 shapeIoU参数可更换为GIoU, DIoU, EIoU, CIoU, SIoU, shapeIoU, MDPIoU, PowerfulIoU, PowerfulIoUv2，分别对应不同形式的损失函数。
2.2 修改train.py文件
创建Train_RT脚本用于训练。
from ultralytics.models import RTDETR
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'if __name__ == '__main__':model = RTDETR(model='ultralytics/cfg/models/rt-detr/rtdetr-l.yaml')# model.load('yolov8n.pt')model.train(data='./data.yaml', epochs=2, batch=1, device='0', imgsz=640, workers=2, cache=False,amp=True, mosaic=False, project='runs/train', name='exp')
在train.py脚本中填入修改好的yaml路径，运行即可训。
)
