使用yolo中的RTDETR训练自己的数据集

### 使用YOLO RT-DETR模型训练自定义数据集 #### 准备环境和安装依赖库 为了使用YOLO RT-DETR模型来训练自定义的数据集，首先需要准备开发环境并安装必要的依赖项。确保已安装Python以及pip工具之后，在命令行执行如下操作： ```bash git clone https://github.com/ultralytics/rt-detr.git cd rt-detr pip install -r requirements.txt ``` 上述指令会克隆官方仓库到本地，并下载所需的第三方包。 #### 配置数据集结构 对于自定义数据集而言，合理的目录布局至关重要。通常情况下，应该创建类似于以下这样的文件夹架构[^1]： ``` datasets/ ├── custom_dataset/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ ``` 这里`images/train` 和 `labels/train`分别存储用于训练阶段的图片及其对应的标签；同理适用于验证集(`val`)部分。注意保持每张图像都有相应的标注文件与其对应。 #### 数据预处理与转换 当准备好原始资料后，下一步就是将其转化为适合输入给定框架的形式。这一步骤可能涉及到调整分辨率大小、裁剪边界框坐标等具体细节工作。如果采用的是COCO格式，则可以直接跳过此步；否则需编写脚本完成从其他形式向`.json`格式转变的过程。 #### 修改配置文件 编辑位于项目根目录下的`data/custom.yaml` 文件以适应新的数据源设置: ```yaml train: datasets/custom_dataset/images/train val: datasets/custom_dataset/images/val nc: 80 # 类别数量 names: ['class_1', 'class_2'] # 各类别名称列表 ``` 此处仅作为示例展示了一个简单的两分类场景，请根据实际情况修改参数值。 #### 开始训练过程 一切就绪之后就可以启动正式的学习流程了。通过终端进入工程所在位置然后键入下列语句开启GPU加速模式下多轮迭代优化权重更新的任务： ```bash python train.py --img-size 640 --batch-size 16 --epochs 50 --data data/custom.yaml --cfg models/yolov7-tiny.yaml --weights '' ``` 以上命令指定了图像尺寸为640像素边长正方形切片，批次规模设定成16份样本一同送入网络内部计算梯度下降方向，总共经历五十次完整的遍历周期直至收敛结束。同时加载默认的小型骨干网路结构定义文档（即yolo v7 tiny版本），并且初始化为空白状态以便于重新学习新特征表示方式而不受先前已有先验知识干扰影响。 #### 可视化评估成果 一旦完成了整个训练环节，便能够利用保存下来的最优解来进行预测性能评测活动。把最终得到的最佳权重组件复制粘贴至指定路径之下，随后调用web界面查看实际效果表现情况[^3]: ```bash cp runs/exp/latest.pt weights/detection/best_model.pth streamlit run app.py ``` 这样就能直观地观察到经过针对性改进后的算法在特定应用场景里所能达到怎样的识别精度水平了。