超越YOLO：在Python中实现RT-DETR Transformers

计算机视觉领域正在经历从传统卷积神经网络（CNN）到Transformer架构的转变。本教程将介绍如何利用基于Transformer的RT-DETR模型，它摒弃了传统目标检测模型中对锚框和非极大值抑制（NMS）的依赖，实现了更简洁、更高效的“端到端”检测。我们将通过Ultralytics框架，用几行代码快速部署一个能够处理图像和视频的先进目标检测系统。

为什么选择RT-DETR？

端到端检测： 无需复杂的后处理（如NMS），模型直接输出最终检测框，简化流程并提升速度。

全局上下文理解： Transformer的注意力机制能更好地理解图像中不同部分的关系，尤其擅长检测小目标和复杂场景。

推理速度稳定： 处理时间不随图中目标数量显著增加，更适合实时视频分析等对延迟敏感的应用。

更高的精度： 在许多基准测试中，其精度超越了同级别的传统CNN模型。

环境配置（2026年）

我们使用Conda创建一个独立的Python 3.12环境，并安装对应的PyTorch和Ultralytics库。

# 1. 创建并激活Conda环境conda create -n RT-DETR-Tutorial python=3.12conda activate RT-DETR-Tutorial# 2. 检查CUDA版本（确保GPU可用）nvcc --version# 3. 安装PyTorch (以CUDA 12.8为例)pip install torch==2.9.1 torchvision==0.24.1 torchaudio==2.9.1 --index-url https://download.pytorch.org/whl/cu128# 4. 安装Ultralytics框架pip install ultralytics==8.4.21

实战演练：使用RT-DETR进行目标检测

1. 静态图像检测

以下代码展示了如何加载预训练的RT-DETR模型并对单张图片进行推理。

from ultralytics import RTDETRimport cv2# 加载预训练模型（‘l’表示大型模型，在精度和速度间取得平衡）model = RTDETR(“rtdetr-l.pt”)# 指定要检测的图片路径image_path = “your_image.jpg” # 请替换为您的图片路径# 运行推理：显示结果、保存结果到指定目录results = model(image_path, show=True, save=True, project=“./results”, name=“exp”)# 使用OpenCV显示原图对比cv2.imshow(“Original Image”, cv2.imread(image_path))cv2.waitKey(0)cv2.destroyAllWindows()

代码说明： 执行后，模型会识别图片中的物体，并用边界框标记出来。结果会保存到 ./results/exp/目录下。

预期效果图：

2. 实时视频流分析

处理视频同样简单，模型会自动处理每一帧。

# 指定视频文件路径video_path = “your_video.mp4” # 请替换为您的视频路径# 对视频进行实时推理并显示results = model(video_path, show=True, save=True)

代码说明： 运行后将弹出一个窗口，实时播放带有检测框的视频。处理后的视频也会被保存。

常见问题解答（FAQ）

Q: 为什么选择RT-DETR而不是最新的YOLOv11？

A: RT-DETR基于Transformer架构，具有更好的全局理解能力，且无需NMS后处理，在复杂场景和小目标检测上可能有优势，推理延迟也更稳定。

Q: 没有NVIDIA GPU可以运行吗？

A: 可以，但只使用CPU进行推理的速度会慢很多，无法满足实时性要求。建议使用GPU。

Q: 必须使用Python 3.12吗？

A: 推荐使用，这是2026年教程确保兼容性的版本。Python 3.10及以上版本通常也可运行，但可能需要调整部分依赖库版本。

Q: 如何用我自己的数据训练RT-DETR？

A: 您可以使用Ultralytics框架提供的训练接口，在您的自定义数据集上进行微调。具体请参考Ultralytics官方文档关于训练的部分。

Q: 结果保存在哪里？

A: 默认情况下，结果会保存在 runs/detect/predict/目录下。您也可以通过代码中的 project和 name参数自定义保存路径。

结论与未来展望

通过本教程，您已经成功搭建了现代目标检测模型RT-DETR的运行环境，并实现了对图像和视频的推理。RT-DETR代表了一种更简洁、更强大的技术方向，它消除了传统流程的冗余步骤，让开发者能更专注于应用逻辑本身。

未来，Transformer架构在视觉领域的应用将会越来越深入。鼓励您将此模型应用到更复杂的场景中，如智能安防、自动驾驶辅助、工业质检等，探索其解决实际问题的潜力。