超强目标检测器RT-DETR（超过yolov8）——保姆级部署教程

以下文章来源于微信公众号：CVHub

作者：派派星

链接：https://mp.weixin.qq.com/s/W56LHZbZEqqoCPFVf612FA

本文仅用于学术分享，如有侵权，请联系后台作删文处理

导读

目标检测是CV领域常用的算法模型，本文对百度开源的目标检测器 RT-DETR进行了介绍，并通过Python/C++两种方式进行了部署，希望对大家有帮助！

在这里插入图片描述

Title: DETRs Beat YOLOs on Real-time Object Detection
Paper: https://arxiv.org/pdf/2304.08069.pdf
Code:https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/rtdet

1. 介绍

在这里插入图片描述

众所周知，在目标检测领域，YOLO 系列模型一直充当着老大哥的角色。虽然其检测性能表现优异，但一直被广为诟病的便是其后处理过于繁琐且耗时，不好优化且不够鲁棒。

最近，基于Transformer的端到端检测器(DETR)取得了显著的性能。然而，DETR的高计算成本问题尚未得到有效解决，限制了它们的实际应用，并阻止它们充分利用无后处理的优点，例如非最大值抑制(NMS)。

于是乎，百度近期又基于 DETR 实现并开源了第一个实时的端到端物体检测器RT-DETR，有效的避免 NMS 导致的推理延迟同时提升性能。

在这里插入图片描述
具体来说，作者设计了一个高效的混合编码器，通过解耦内部尺度交互和跨尺度融合来高效地处理多尺度特征，并提出了 IoU 感知的查询选择来改进目标查询的初始化。此外，RT-DETR 支持使用不同的解码器层来灵活调整推断速度，无需重新训练，从而方便实时物体检测器的实际应用。

在这里插入图片描述
最终 RTDETR-L 在COCO val2017上达到了53.0%的AP和114 FPS的速度，而RT-DETR-X达到了54.8%的AP和74 FPS，速度和准确性均优于相同规模的所有YOLO检测器。此外，RTDETR-R50 在精度上比 DINO-Deformable-DETR-R50 高 2.2% 的 AP，在FPS上高出约21倍，达到了 53.1% 的 AP 和 108 FPS！

关于理论部分我们简单介绍到这里，具体的解读可参考：https://mp.weixin.qq.com/s/o03QM2rZNjHVto36gcV0Yw。本文着中教大家如何从零到一完成 RT-DETR 模型的部署

安装依赖

新建一个虚拟环境【可选】

conda create -n paddlepaddle python=3.8 -y
conda activate paddlepaddle

下载相应的 paddle 版本【PaddlePaddle >= 2.4.1】

# 此处安装了适配 CUDA11.7 的 PaddleGPU 2.4.2 版本，请根据自己本地环境修改
python -m pip install paddlepaddle-gpu==2.4.2.post117 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

下载代码仓库

git clone https://github.com/PaddlePaddle/PaddleDetection.git
git checkout develop
# Install other dependencies
cd PaddleDetection
pip install -r requirements.txt
# Compile and install paddledet
python setup.py install

下载预训练权重并测试环境是否正常

# 下载权重
wget https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_6x_coco.pdparams && mkdir weights && mv rtdetr_r50vd_6x_coco.pdparams ./weights

# 测试看能否正常 infer，测试图片自行替换下
python tools/infer.py -c configs/rtdetr/rtdetr_r50vd_6x_coco.yml -o weights=https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_6x_coco.pdparams --infer_img=bus.jpg

修改配置文件

首先，进入文件路径【PaddleDetection/configs/rtdetr/base/rtdetr_r50vd.yml】修改 DETR 的导出配置：
在这里插入图片描述
其次，进入文件路径【PaddleDetection/ppdet/modeling/architectures/detr.py】将后处理输出合并下，便于部署。

注意，此处输出的 score 默认是没有归一化的，如果想一步到位的可以直接加 sigmoid 处理下。不过问题不大，因为我们的部署代码已经植入了自动判断，可根据输出值动态适配，此处可加可不加。另外，默认的导出方式是静态的，如果想改成动态Shape，只需调用【PaddleDetection/scripts/paddle_infer_shape.py】函数修改 --input_shape_dict=“{‘image’: [-1, 3, -1, -1]” 即可，这里 -1 代表动态输入。

最后，直接导出模型权重即可：

python tools/export_model.py -c configs/rtdetr/rtdetr_r50vd_6x_coco.yml
-o weights=https://bj.bcebos.com/v1/paddledet/models/rtdetr_r50vd_6x_coco.pdparams trt=True
–output_dir=output_inference

转换模型格式

pip install onnx==1.13.0
pip install paddle2onnx==1.0.5

paddle2onnx --model_dir=./output_inference/rtdetr_r50vd_6x_coco/ \
           --model_filename model.pdmodel  \
           --params_filename model.pdiparams \
           --opset_version 16 \
           --save_file ./output_inference/rtdetr_r50vd_6x_coco/rtdetr_r50vd_6x_coco.onnx

此处我们仅以 ONNXRUNTIME 进行演示，对于想部署到 TensorRT 平台的可直接参考 PaddleDetection 官方提供的转换脚本，部署流程都差不多，只需要按照此工程写好预处理和后处理即可。

使用 onnxsim 简化输出并用 netron 打开检查下：

pip install netron
pip3 install -U pip && pip3 install onnxsim
onnxsim input_onnx_model output_onnx_model

在这里插入图片描述

左边是不做任何处理的原始导出模型，右边是经过适当调整后的导出模型。

Python 部署

这一块比较简单，经过上面的操作系统应该已经默认安装了onnxruntime库了，接下来我们只需照着下面的代码运行下即可。

$ git clone https://github.com/CVHub520/rtdetr-onnxruntime-deploy.git
$ cd rtdetr-onnxruntime-deploy
$ mkdir weights && cd weights
$ wget https://github.com/CVHub520/rtdetr-onnxruntime-deploy/releases/download/v1.0.0/rtdetr_r50vd_6x_coco_cvhub.onnx
$ cd ../python
$ python3 main.py

C++ 部署

1. 安装编译 ONNXRUNTIME，以 Linux 环境为例。

首先，下载源码：

git clone https://github.com/Microsoft/onnxruntime
cd onnxruntime/

在安装之前，我们先进入到 onnxruntime 目录，其中 build.sh 文件为编译脚本，先打开看看：

#!/bin/bash
# Copyright (c) Microsoft Corporation. All rights reserved.
# Licensed under the MIT License.

# Get directory this script is in
DIR="$( cd "$( dirname "${
       
       BASH_SOURCE[0]}" )" && pwd )"
OS=$(uname -s)

if [ "$OS" = "Darwin" ]; then
    DIR_OS="MacOS"
else
    DIR_OS="Linux"
fi

if [[ "$*" == *"--ios"* ]]; then
    DIR_OS="iOS"
elif [[ "$*" == *"--android"* ]]; then
    DIR_OS="Android"
fi

#requires python3.6 or higher
python3 $DIR/tools/ci_build/build.py --build_dir $DIR/build/$DIR_OS "$@"

可以看出，这个处理逻辑只是先判断当前系统环境，针对不同运行平台进行编译，主要编译选项在 tools/ci_build/build.py 文件下，打开文件后，我们重点看下 parse_arguments() 函数的参数说明。具体地，我们挑几个比较常见的讲讲：

–build_dir：用于指定编译后的库文件存放路径，不可缺省，此处指定在DIR_O 目录下；
–config：有四种模式，即[“Debug”, “MinSizeRel”, “Release”, “RelWithDebInfo”]，例如 MinSizeRel 顾名思义便是优化目标文件的大小，而 RelWithDebInfo 则表示带 Debug 信息的原始目标文件，Release 即发行版，其目标文件大小介于这两者之间。一般可直接按默认，或者根据自己需要选择即可，例如我们这里直接选用 Release 版本。
–parallel：是否开启多核编译，建议开启，不然编译速度贼慢；
–skip-tests：单元测试，建议开启，直接跳过；
–use_cuda：如果需要使用 cuda 加速，就开启；注意，如果开启了此项，需要指定 --cuda_home 和 --cudnn_home 的路径，默认存放在 /usr/local 目录下；
–build_shared_lib：是否编译成动态库，默认是编译静态库；
Default behavior is --update --build --test for native architecture builds.
Default behavior is --update --build for cross-compiled builds.
–use_tensorrt：是否使用tensorrt加速，若开启，需要指定 --tensorrt_home 参数。

没问题的我们可以根据自己需要选择合适的编译参数，此处 cuda 和cudnn路径需改为自己本地上的路径！：

./build.sh --skip_tests --use_cuda --config Release --build_shared_lib --parallel --cuda_home /usr/local/cuda-11.7 --cudnn_home /usr/local/cuda-11.7

注意，此过程会涉及到很多文件的下载，如果 git 访问很慢会导致多次中断，这时候可以多次重复运行下，若一直网络失败请参考问题汇总。运气不好的话，整个过程可能需要花费数个小时，请耐心等待。

在这里插入图片描述

2.安装编译 OpenCV 环境

安装步骤可参考此教程: https://zhuanlan.zhihu.com/p/392751819

3.下载工程

$ cd rtdetr-onnxruntime-deploy
$ mkdir weights && cd weights
$ wget https://github.com/CVHub520/rtdetr-onnxruntime-deploy/releases/download/v1.0.0/rtdetr_r50vd_6x_coco_cvhub.onnx
$ cd ../cplusplus

注意：要构建项目，请确保正确安装了 onnxruntime 和 opencv。然后，按照指示运行命令。不要忘记更新 CMakeLists.txt 文件中的 ONNXRUNTIME_DIR 和 OpenCV_DIR cmake 选项以匹配您的自定义环境。

$ mkdir build && cd build
$ cmake ..
$ make
$ ./main

结果展示

在这里插入图片描述

边框坐标完全对齐，精度几乎没有损失。

总结

本文简单的为大家介绍了 RT-DETR 模型的一些基本概括，同时演示了如何基于 Python 和 C++ 在本地环境进行部署。完整的项目代码请访问 Github 地址。最后，也欢迎大家点个 star 鼓励支持一下，感谢各位小伙伴长久以来的支持！