mmdetection rtdetr

### mmdetection RT-DETR 目标检测使用教程

#### 修改 `train.py` 文件中的参数设置
为了调整目标检测训练配置，在文件路径 `ultralytics/models/yolo/detect/train.py` 中定位到 `DetectionTrainer` 类下的 `build_dataset` 函数。在此函数内，修改参数 `rect=mode == 'val'` 为 `rect=False`[^1]。

#### 利用 SAHI 提升大尺度图像上的推理表现
对于大规模图片的目标识别任务，可以引入 SAHI 库来增强模型的表现力。该方法通过对原始图象实施分片操作并分别执行预测再汇总结果的方式工作，尤其适合于高分辨率影像以及硬件条件受限场景下应用[^2]。

#### 结合 RT-DETR 的优化策略
RT-DETR 是一种高效能的对象探测框架，其改进措施涵盖了从基础网络结构至各类组件如卷积层、轻量级设计、注意机制等多个方面，并针对不同模块提出了具体的技术革新方案，包括但不限于骨干网的选择、空间金字塔池化融合(SPPF)技术的应用等[^3]。

#### 示例代码展示如何基于 MMDetection 实现基本对象检测流程：

from mmdet.apis import init_detector, inference_detector
import mmcv

config_file = 'configs/rt_detr/rt_detr_r50_8xb2-7e_coco.py'
checkpoint_file = 'checkpoints/rt_detr_r50_8xb2-7e_coco.pth'

# 初始化模型
model = init_detector(config_file, checkpoint_file, device='cuda:0')

img = 'test.jpg'  # 测试图像路径
result = inference_detector(model, img)

# 可视化结果
model.show_result(img, result, out_file='result.jpg')

此段脚本展示了怎样加载预训练权重文件与配置文档建立检测器实例；接着读取待测样本完成前向传播获取输出；最后调用内置绘图接口呈现最终成果。